joyking7 commented 8 years ago

Hadoop 家族介绍

前言

自己从学习数据挖掘这个方向到现在也有几周，一开始上手权威指南这本书是挺难接受里面的内容，于是花了几天去知乎和 GitHub 上搜集了一些的资料，并且从 Conan 的 blog 上找到了一个比较好的学习路线，于是整理一下拿出来分享。自己也在继续学习，如果有错误请指出！

hadoopfamilyroadmap

Hadoop 家族中，常用的项目包括 Hadoop，Hive，Pig，HBase，Sqoop，Mahout，Zookeeper，Avro，Ambari，Chukwa，新增项目包括 YARN，Hcatalog，Oozie，Cassandra，Hama，Whirr，Flume，Bigtop，Crunch，Hue，Giraph等。

1. Hadoop 家族树

hadoopfamilysmall

虽然这样看起来 Hadoop 家族比较庞大，但是作为适应多种目标要求的工具，还是比较适合我们去学习的。

2. Hadoop 成员介绍

Apache Hadoop：是 Apache 开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持 MapReduce 分布式计算的软件架构。
Apache Hive：是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，通过类 SQL 语句快速实现简单的 MapReduce 统计，不必开发专门的 MapReduce 应用，十分适合数据仓库的统计分析。
Apache Pig：是一个基于 Hadoop 的大规模数据分析工具，它提供的 SQL-LIKE 语言叫 Pig Latin ，该语言的编译器会把类 SQL 的数据分析请求转换为一系列经过优化处理的 MapReduce 运算。
Apache HBase：是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用 HBase 技术可在廉价 PC Server 上搭建起大规模结构化存储集群。
Apache Sqoop：是一个用来将 Hadoop 和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL ,Oracle ,Postgres等）中的数据导进到 Hadoop 的 HDFS 中，也可以将HDFS的数据导进到关系型数据库中。
Apache Zookeeper：是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务。
Apache Mahout：是基于 Hadoop 的机器学习和数据挖掘的一个分布式框架。 Mahou 用 MapReduce 实现了部分数据挖掘算法，解决了并行挖掘的问题。
Apache Cassandra：是一套开源分布式 NoSQL 数据库系统。它最初由 Facebook 开发，用于储存简单格式数据，集 Google BigTable 的数据模型与 Amazon Dynamo 的完全分布式的架构于一身。
Apache Avro：是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。 Avro 是新的数据序列化格式与传输工具，将逐步取代 Hadoop 原有的 IPC 机制。
Apache Ambari：是一种基于 Web 的工具，支持 Hadoop 集群的供应、管理和监控。
Apache Chukwa：是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合 Hadoop 处理的文件保存在 HDFS 中供 Hadoop 进行各种 MapReduce 操作。
Apache Hama：是一个基于 HDFS 的 BSP（Bulk Synchronous Parallel)并行计算框架, Hama 可用于包括图、矩阵和网络算法在内的大规模、大数据计算。
Apache Flume：是一个分布的、可靠的、高可用的海量日志聚合的系统，可用于日志数据收集，日志数据处理，日志数据传输。
Apache Giraph：是一个可伸缩的分布式迭代图处理系统，基于 Hadoop 平台，灵感来自 BSP (bulk synchronous parallel) 和 Google 的 Pregel。
Apache Oozie：是一个工作流引擎服务器, 用于管理和协调运行在 Hadoop 平台上（HDFS、Pig和MapReduce）的任务。
Apache Crunch：是基于 Google 的 FlumeJava 库编写的 Java 库，用于创建MapReduce程序。与 Hive，Pig类似，Crunch 提供了用于实现如连接数据、执行聚合和排序记录等常见任务的模式库。
Apache Whirr：是一套运行于云服务的类库（包括 Hadoop ），可提供高度的互补性。Whirr 支持 Amazon EC2 和 Rackspace 的服务。
Apache Bigtop：是一个对 Hadoop 及其周边生态进行打包，分发和测试的工具。
Apache HCatalog：是基于 Hadoop 的数据表和存储管理，实现中央的元数据和模式管理，跨越 Hadoop 和 RDBMS，利用 Pig 和 Hive 提供关系视图。
Cloudera Hue：是一个基于 WEB 的监控和管理系统，实现对 HDFS，MapReduce/YARN, HBase, Hive, Pig的 web 化操作和管理。
3.关于如何学习

这是一个老生常谈的问题，网上一抓一大把的教程，书店一抓一大把的书，难道真的撸完所有教程和书就入门了吗？作为一个新入坑的少年，自己这几周也算是走了一阵的弯路，毕竟身边没有很好的指导，而且数据挖掘这个行业虽然看似很热门很潜力，也是在黑暗中摸索的。

尽量去官网看文档，英文不是问题，毕竟它也只是一种工具，我们在学习的也是一类工具，对于一个工具学习的时间跨度可以很长，但是入门的话，推荐学几个自己喜欢或者与自己处理的数据相关的工具，项目导向要比纯学习向上手快得多。

接下来开始继续学习，关于具体的学习情况会持续更新。

注：部分内容出处来自 http://blog.fens.me/hadoop-family-roadmap/

joyking7 commented 8 years ago

@100steps/bbter 简短的介绍，因为 Hadoop 的衍生工具很多，道阻且长。

YunaQiu commented 8 years ago

hadoop家族太庞大，确实学习的时候走了些弯路。不过起码我会勾搭实验室的师姐进行指点。稍后如果大家有兴趣，我也可以简单介绍下hadoop开发的基础知识。不过有一点极度赞同：谁推荐从《hadoop权威指南》入门的！！难懂死了。。。（摔~）

100steps / Blogs