Hadoop如何进行大数据处理？

　　大数据的演进带来了新的挑战，所以需要新的解决方案。与以往一样，服务器需要实时处理，分类和存储大量数据。这一挑战导致了新平台的出现，其中最知名了莫过于Apache Hadoop，它可以轻松处理大型数据集。那么到底什么是Hadoop?其主要组件是什么?以及Apache Hadoop是如何帮助处理大数据的?

　　1. 什么是Hadoop?

　　Apache Hadoop是一个开源框架，可以让用户有效地管理和处理在分布式计算环境中的大数据。Apache Hadoop包含四个主要模块：

　　(1) Hadoop分布式文件系统(HDFS)

　　数据存储在Hadoop的分布式文件系统中，它类似于计算机上的本地文件系统。与传统文件系统相比，HDFS提供了更好的数据吞吐量。此外，HDFS提供了出色的可伸缩性。用户可以轻松地在商用硬件上从一台机器扩展到数千台。

　　(2) YARN

　　YARN用于计划任务，负责整个管理和监控集群节点和其他资源。

　　(3) MapReduce

　　在Hadoop中MapReduce的模块可帮助计划执行并行数据计算。MapReduce的Map任务将输入数据转换为键值对。减少任务消耗输入，对其进行汇总并产生结果。

　　(4) Hadoop Common

　　Hadoop Common在每个模块中都使用标准Java库。

　　2. 为什么开发Hadoop?

　　过往互联网的不断发展，产生了数量庞大的Web页面。由于数量庞大，在线搜索信息变得很困难。这些数据成为大数据，它包含两个主要问题：

　　·难以以有效且易于检索的方式存储所有这些数据

　　·难以处理存储的数据

　　开发者致力于许多开源项目，以解决上述问题，从而更快，更有效地返回Web搜索结果。他们的解决方案是在服务器集群之间分布数据和计算以实现同步处理。

　　最终，Hadoop成为这些问题的解决方案，并带来了许多其他好处，包括降低了服务器部署成本。

　　3. Hadoop大数据处理如何工作?

　　通过使用Hadoop，用户可以利用集群的存储和处理能力，并实现大数据的分布式处理。本质上，Hadoop提供了一个基础，可以在该基础上构建其他应用程序来处理大数据。

　　收集不同格式数据的应用程序通过连接到NameNode的Hadoop API将它们存储在Hadoop集群中。NameNode捕获文件目录的结构以及每个创建文件的“块”位置。Hadoop跨DataNode复制这些块以进行并行处理。

　　MapReduce执行数据查询。它映射出所有DataNode，并减少了与HDFS中数据有关的任务。“MapReduce”本身描述了它的作用。Map任务在提供的输入文件的每个节点上运行，而reducer运行以链接数据并组织最终输出。

　　4. Hadoop大数据工具有哪些?

　　Hadoop的生态系统支持各种开源大数据工具。这些工具补充了Hadoop的核心组件，并增强了其处理大数据的能力。

　　最有用的大数据处理工具包括：

　　·Apache Hive：Apache Hive是一个数据仓库，用于处理存储在Hadoop文件系统中的大量数据。

　　·Apache Zookeeper：Apache Zookeeper可自动执行故障转移，并减少发生故障的NameNode的影响。

　　·Apache HBase：Apache HBase是Hadoop的开源非关系数据库。

　　·Apache Flume：Apache Flume是用于数据流式传输大量日志数据的分布式服务。

　　·Apache Sqoop：Apache Sqoop是用于在Hadoop和关系数据库之间迁移数据的命令行工具。

　　·Apache Pig：Apache Pig是Apache的开发平台，用于开发在Hadoop上运行的作业。使用的软件语言是Pig Latin。

　　·Apache Oozie：Apache Oozie是一个调度系统，可促进Hadoop作业的管理。

　　·Apache HCatalog：Apache HCatalog是用于对来自不同数据处理工具的数据进行排序的存储和表管理工具。

　　5. Hadoop的优势

　　Hadoop是用于大数据处理的强大解决方案，并且是处理大数据的企业必不可少的工具。

　　Hadoop的主要功能和优势包括：

　　(1) 更快地存储和处理大量数据

　　随着社交媒体和物联网的不断发展，要存储的数据量急剧增加。这些数据集的存储和处理对于拥有它们的企业至关重要。

　　(2) 灵活性

　　Hadoop的灵活性使用户可以保存非结构化数据类型，例如文本，符号，图像和视频。在传统的关系数据库(如RDBMS)中需要在存储数据之前对其进行处理。但是对于Hadoop，不需要预处理数据，因为可以按原样存储数据并决定以后如何处理它。换句话说，它表现为NoSQL数据库。

　　(3) 强大的处理能力

　　Hadoop通过分布式计算模型处理大数据。它高效地利用处理能力，使其既快速又高效。

　　(4) 降低成本

　　许多团队由于其高昂的成本而放弃了诸如Hadoop之类的框架之前的项目。Hadoop是一个开放源代码框架，可以免费使用，并且使用低成本的商品硬件来存储数据。

　　(5) 可伸缩性

　　Hadoop允许仅通过更改集群中的节点数即可快速扩展系统，而无需进行大量管理。

　　(6) 容错

　　使用分布式数据模型的众多优势之一是其容忍故障的能力。Hadoop不依赖硬件来维持可用性。如果设备发生故障，系统会自动将任务重定向到另一台设备。容错是可能的，因为可以通过在整个集群中保存多个数据副本来维护冗余数据。换句话说，在软件层保持高可用性。

　　6. 三种主要用例

　　(1) 处理大数据

　　建议将Hadoop用于海量数据，通常范围为PB或更大。它更适合需要大量处理能力的海量数据。对于处理几百GB范围内的少量数据的企业而言，Hadoop可能不是最佳选择。

　　(2) 存储各种数据

　　使用Hadoop的众多优势之一是它具有灵活性并支持各种数据类型。不管数据是由文本，图像还是视频数据组成，Hadoop都可以有效地存储它。企业可以根据需要选择如何处理数据。Hadoop具有数据湖的特性，因为它提供了对存储数据的灵活性。

　　(3) 并行数据处理

　　Hadoop中使用的MapReduce算法协调存储数据的并行处理，这意味着可以同时执行多个任务。但是不允许进行联合操作，因为这会混淆Hadoop中的标准方法。只要数据彼此独立，它就会包含并行性。

　　7. Hadoop的实际应用

　　全球的企业都在应用Hadoop大数据处理系统。那么，具有有哪些Hadoop的实际应用呢?

　　(1) 了解客户需求

　　如今，Hadoop已被证明对于了解客户需求非常有用。金融行业和社交媒体中的大型公司使用它通过分析有关其活动的大数据来了解客户需求。

　　企业使用数据为客户提供个性化服务。可能已经根据用户的兴趣和互联网活动，通过在社交媒体和电子商务网站上显示的广告来体验到这一点。

　　(2) 优化业务流程

　　Hadoop通过更好地分析业务和客户数据来帮助优化业务绩效。趋势分析和预测分析可以帮助公司定制其产品和库存，以增加销售额。这样的分析将有助于更好的决策并带来更高的利润。

　　此外，企业使用Hadoop通过收集有关彼此交互的数据来监控员工的行为，从而改善工作环境。

　　(3) 改善医疗保健服务

　　医疗行业的机构可以使用Hadoop监控有关健康问题和医疗结果的大量数据。研究人员可以分析这些数据以识别健康问题，预测用药并决定治疗计划。这种改善将使各国能够迅速改善其卫生服务。

　　(4) 金融交易

　　Hadoop拥有先进的算法，可以使用预定义的设置扫描市场数据，以识别交易机会和季节性趋势。金融公司可以通过Hadoop的强大功能自动执行大多数操作。

　　(5) 用于物联网

　　物联网设备取决于数据的可用性与有效运行。设备制造商将Hadoop用作数十亿笔交易的数据仓库。由于物联网是一种数据流概念，因此Hadoop是一种适用于管理其所包含的大量数据的实用解决方案。Hadoop不断更新，使我们能够改进与物联网平台一起使用的指令。Hadoop的其他实际用途包括改善设备性能，改善个人量化和性能优化，改善运动和科学研究。

　　8. 使用Hadoop有哪些挑战?

　　每个应用程序都具有优势和挑战。Hadoop也带来了不少的挑战：

　　(1) MapReduce算法并不总是解决方案

　　MapReduce算法并不支持所有方案。它适用于简单的信息请求和问题，这些请求和问题分解成多个独立的单元，但不适用于迭代任务。MapReduce对于高级分析计算效率低下，因为迭代算法需要大量的互通，并且在MapReduce阶段创建多个文件。

　　(2) 完全开发的数据管理

　　Hadoop没有提供用于数据管理，元数据和数据治理的综合工具。此外，它缺少数据标准化和确定质量所需的工具。

　　(3) 人才缺少

　　由于Hadoop陡峭的学习曲线，很难找到具有Java技能的入门级程序员，而这些技能足以使MapReduce高效。这种密集性是提供商对将关系(SQL)数据库技术置于Hadoop之上感兴趣的主要原因，因为查找具有SQL方面扎实知识而不是MapReduce技能的程序员要容易得多。

　　Hadoop管理既是一门艺术，也是一门科学，需要对操作系统，硬件和Hadoop内核设置有所了解。

　　(4) 数据安全性

　　Kerberos身份验证协议是朝着使Hadoop环境变得安全的重要一步。数据安全对于保护大数据系统免受分散的数据安全问题至关重要。