Hadoop发展史和生态圈介绍

07-16 754阅读

一、Hdoop概述

二、Hadoop生态组件

三、大数据的技术生态体系

四、Hadoop发展历史

4.1 概述

4.2 Hadoop历史发展节点

4.2.1 2002-2004年理论阶段

4.2.2 2005-2008年Hadoop的问世与崛起

4.2.3 2009-2017年Hadoop助力大数据行业的发展

4.2.4 至今

五、Hadoop优势特点

5.1 低成本

5.2 高可靠、容错性

5.3 高扩展性

5.4 高效性

一、Hdoop概述

Hadoop是由Apache基金会所开发的分布式系统基础架构，旨在解决海量数据存储和计算分析问题。狭义上来说，Hadoop是指Apache Hadoop开源框架，包含以下三种核心组件：

Hadoop HDFS(Hadoop Distributed File System):分布式文件存储系统，解决海量数据存储问题。
Hadoop Yarn:集群资源管理和任务调度框架，解决资源任务调度问题。
Hadoop MapReduce：分布式计算框架，解决海量数据计算问题。
二、Hadoop生态组件

广义上来说，Hadoop通常是指围绕Hadoop打造的大数据生态圈，部分技术栈如下图所示：

组件内容：
- zookeeper:分布式协调组件。
- HDFS:分布式文件系统。
- MapReduce：分布式计算框架。
- Hive：分布式数据仓库。
- HBase:分布式数据库。
- Flume:日志采集框架。
- Sqoop：数据导入/导出工具。
- pig:工作流引擎。
- Mahout:机器学习算法库。
- oozie:作业流调度工具。
- Ambari:大数据集群管理平台。
  官网地址：
  
  [Apache Hadoop](https://hadoop.apache.org/)
  
  三、大数据的技术生态体系
  
  本小节主要作为技术了解内容，先总体了解下大数据技术生态体系技术分层，方便后续清楚的知道Hadoop相关技术栈技术所处的层及作用。下图是大数据技术生态每层及对应技术。
  
  四、Hadoop发展历史
  
  4.1 概述
  
  Hadoop最初是由Doug Cutting和Mike Cafarella于2002年左右创建的，最早起源于Nutch，其最初的目标是构建一个能够处理大规模数据集的分布式文件处理系统。
  
  后期，Doug Cutting以Google的GFS（Google File System）和MapReduce为基础，开发了Hadoop Distributed File System（HDFS）和Hadoop MapReduce。
  
  2006年，Hadoop成为Apache软件基金会的顶级项目，开始吸引了越来越多的开发者和用户。
  
  4.2 Hadoop历史发展节点
  
  4.2.1 2002-2004年理论阶段
  
  2002年10月，Doug Cutting和Mike Cafarella创建了开源网页爬虫项目Nutch。
  
  2003年10月，Google发表Google File System论文。
  
  2004年7月，Doug Cutting和Mike Cafarella在Nutch中实现了类似GFS的功能，即后来HDFS的前身。
  
  2004年10月，Google发表了MapReduce论文。
  
  4.2.2 2005-2008年Hadoop的问世与崛起
  
  2005年2月，Mike Cafarella在Nutch中实现了MapReduce的最初版本。
  
  2005年12月，开源搜索项目Nutch移植到新框架，使用MapReduce和HDFS在20个节点稳定运行。
  
  2006年1月，Doug Cutting加入雅虎，Yahoo!提供一个专门的团队和资源将Hadoop发展成一个可在网络上运行的系统。
  
  2006年2月，Apache Hadoop项目正式启动以支持MapReduce和HDFS的独立发展。
  
  2006年3月，Yahoo!建设了第一个Hadoop集群用于开发。
  
  2006年4月，第一个Apache Hadoop发布。
  
  2006年11月，Google发表了Bigtable论文，激起了Hbase的创建。
  
  2007年10月，第一个Hadoop用户组会议召开，社区贡献开始急剧上升。
  
  2007年，百度开始使用Hadoop做离线处理。
  
  2007年，中国移动开始在“大云”研究中使用Hadoop技术。
  
  2008年，淘宝开始投入研究基于Hadoop的系统——云梯，并将其用于处理电子商务相关数据。
  
  2008年1月，Hadoop成为Apache顶级项目。
  
  2008年2月，Yahoo!运行了世界上最大的Hadoop应用，宣布其搜索引擎产品部署在一个拥有1万个内核的Hadoop集群上。
  
  2008年4月，在900个节点上运行1TB排序测试集仅需209秒，成为世界最快。
  
  2008年8月，第一个Hadoop商业化公司Cloudera成立。
  
  4.2.3 2009-2017年Hadoop助力大数据行业的发展
  
  2009 年3月，Cloudera推出世界上首个Hadoop发行版——CDH（Cloudera's Distribution including Apache Hadoop）平台，完全由开放源码软件组成。
  
  2009年6月，Cloudera的工程师Tom White编写的《Hadoop权威指南》初版出版，后被誉为Hadoop圣经。
  
  2009年7月，Hadoop Core项目更名为Hadoop Common;
  
  2009年7月，MapReduce 和 Hadoop Distributed File System (HDFS) 成为Hadoop项目的独立子项目。
  
  2009年8月，Hadoop创始人Doug Cutting加入Cloudera担任首席架构师。
  
  2009年10月，首届Hadoop World大会在纽约召开。
  
  2010年5月，IBM提供了基于Hadoop 的大数据分析软件——InfoSphere BigInsights，包括基础版和企业版。
  
  2011年3月，Apache Hadoop获得Media Guardian Innovation Awards媒体卫报创新奖
  
  2012年3月，企业必须的重要功能HDFS NameNode HA被加入Hadoop主版本。
  
  2012年8月，另外一个重要的企业适用功能YARN成为Hadoop子项目。
  
  2014年2月，Spark逐渐代替MapReduce成为Hadoop的缺省执行引擎，并成为Apache基金会顶级项目。
  
  2017年12月，Hadoop 3.0.0版本发布，标志着Hadoop的持续发展和创新。
  
  4.2.4 至今
  
  截止到2024年初，Hadoop最新版本为3.3.6版本，整个Hadoop发行版本中经历了Haoop1.x、2.x、3.x系列版本。目前，Hadoop1.x版本已经被淘汰，Hadoop2.x版本相较于1.x版本引入了Yarn平台，Hadoop3.x版本相较于2.x版本做了优化升级，目前企业中使用主流hadoop版本为hadoop3.x版本。
  
  此外，Hadoop目前发行版本分为开源社区版和商业版。社区版由Apache软件基金会进行维护，商业版Hadoop则是由第三方商业公司在社区版的基础上做了一些修改、整合，并经过各个服务组件的兼容性测试后发布的版本，其中一些著名的商业版包括Cloudera的CDH、Hortonworks的HDP，2018年，Cloudea收购Hortonworks公司。
  
  ClouderaManager的CDH平台：
  
  Ambari的HDP平台：
  
  以下是Hadoop发展历史中的一些重要时间点，了解即可。
  
  五、Hadoop优势特点
  
  Hadoop具备高可靠、高容错、高扩展、高效性这些优势使其在互联网领域中已经得到广泛运用，具体如下：
  
  5.1 低成本
  
  Hadoop可以由多台廉价普通机器组成，支持TB和PB级别数据存储，并不需要运行在昂贵且高可靠性的硬件上。
  
  5.2 高可靠、容错性
  
  HDFS中数据存储有多副本支持数据高可靠性，即使一些副本出现故障也能保障数据可使用。MapReduce计算过程中任务失败，可以自动进行任务重新分配进行任务重试。此外，HDFS和Yarn都支持高可用配置，当主节点挂掉时，可以自动选主切换，保证集群可靠性。
  
  5.3 高扩展性
  
  Hadoop集群可以扩展到上千个节点以支持数据存储和计算，节点多支持数据量大、支持更大并行度的并行计算。
  
  5.4 高效性
  
  Hadoop可以并行在节点之间动态移动数据，保证各个节点数据动态平衡；基于MapReduce进行数据处理计算时，可以并行处理数据，效率极高。
  
  今天Hadoop发展史和生态圈介绍的相关内容就分享到这里，如果帮助到大家，欢迎大家点赞+关注+收藏，有疑问也欢迎大家评论留言！