传统的系统已无法处理结构多变的大数据，而高性能硬件和专用服务器价格昂贵且不灵活，Hadoop因此应运而生。Hadoop使用互连的廉价商业硬件，通过数百甚至数千个低成本服务器协同工作，可有效存储和处理大量数据。

1.Hadoop生态体系

Google通过三篇重量级论文为大数据时代提供了三项革命性技术：GFS、MapReduce和BigTable，即所谓的Google大数据的“三驾马车”。

Hadoop和Hbase是基于这三项技术发展出的开源实现。在大数据分析和处理领域，Hadoop兼容体系已经成为一个非常成熟的生态圈，涵盖了很多大数据相关的基础组件，包括Hadoop、Hbase、Hive、Spark、Flink、Storm、Presto、Impala等。

2.Hadoop集群硬件架构

Hadoop集群遵循主从架构，由一个或多个主节点（控制节点）和大量从节点组成，可以通过增减节点实现线性水平扩展。集群中的每个节点都有自己的磁盘、内存、处理器和带宽。主节点负责存储元数据，管理整个集群中的资源，并将任务分配给从节点；从节点负责存储数据并执行计算任务。

Hadoop包含三大组件：HDFS、Yarn和MapReduce。HDFS负责将文件切分为固定大小的数据块，以多副本分布式方式进行存储。Yarn是资源管理器，通过不同的进程执行资源管理和任务调度/监控任务。MapReduce是计算层，它通过将数据处理逻辑抽象为Map任务和Reduce任务，将“计算”在贴近数据存储位置并行执行。

Hadoop集群硬件架构如图1所示，具体的组件部署结构分析如下。

▲ 图1　Hadoop集群硬件架构

3.Hadoop体系分层功能架构

Hadoop设计了一个在分布式集群上实现资源管理与功能水平分层的架构，该分层解耦架构让大家可以在Hadoop上不断地叠加组件，并且每个组件可以独立升级，同类组件可以相互竞争，不断提升性能。作为Hadoop生态系统的核心，HDFS、YARN、MapReduce形成了一个灵活的基座，并以此为基础扩展出了非常多的Hadoop兼容开源项目和软件。

Hadoop体系架构可分为四层，上层一般需要依赖下层的组件，层与层之间相互透明，仅基于下层组件的接口进行交互，四层从下到上分别为分布式存储层、分布式计算资源管理层、分布式并行处理框架层、分析应用层，如图2所示。

▲图2　Hadoop体系的分层架构

每层的功能具体说明如下。

（1）分布式存储层

HDFS是一个分布式文件存储系统，它将统一管理整个集群的所有存储空间，并将写入的数据切分成相同大小的数据块，每个数据块保存多个副本（通常是三个），每个副本存储在不同的从节点上，以避免因单节点故障造成数据丢失。HDFS主节点（NameNode）保存命名空间、文件名、每个数据块及所有副本的元数据信息。

在大数据量情况下，文件存储格式与压缩方法对读写效率影响非常大。在HDFS上的数据格式主要包括文本、KV格式、行式存储格式、列式存储格式。具体的文件格式举例如下。

（2）分布式计算资源管理层

YARN（Yet Another Resource Negotiator）是一个资源协商器，它将统一管理和调度整个集群的计算资源，并将接收到的计算任务拆分到各个节点执行。如果一个节点运行缓慢或失败，YARN会将节点上的任务取消，然后分发到数据的其他副本所在节点进行运算。YARN作为资源协商器，可以让大量的应用程序和用户有效地共享集群计算资源，即支持多租户，这些数据处理可以是批处理、实时处理、迭代处理等。

最初，Hadoop由MapReduce组件同时负责资源管理和数据处理。Hadoop 2.0引入了YARN后将这两个功能分开。基于YARN，我们为Hadoop编写的不同组件可以非常方便地集成到Hadoop生态系统中，例如Spark、Giraph、Hive等项目，以及MapReduce本身。

YARN框架内有ResourceManager、NodeManager组件：ResourceManager在集群的主节点上运行，负责接收计算任务，并在所有竞争应用程序之间做资源分配；NodeManager在从节点上运行，负责容器，监视资源（CPU、内存、磁盘、网络）使用情况。

（3）分布式并行处理框架层

数据处理框架分为批式处理框架和流式处理框架。

批式处理框架主要有Hadoop MapReduce和Spark等。Hadoop MapReduce组件封装了MapReduce并行编程模型。Spark是对Hadoop MapReduce组件的改进，通过对中间结果使用内存存储，大幅提高了计算速度，目前是批处理应用的主流选择。

传统的并行计算模型的实现和使用都非常复杂，如MPI（Message Passing Interface，消息传递接口）一般都用在科学计算等专门领域。MapReduce作为一种全新的通用并行编程模型，是基于集群的并行计算方式的创新抽象，非常简单易用，开发友好。MapReduce处理数据为Key-Value格式，其主要思想是从函数式编程借鉴而来的。MapReduce模型将计算分为两个阶段。

流式处理框架主要有Storm、Spark Streaming、Flink等。Storm是较早成熟的低延迟流式数据处理框架，可以进行事件级（单条数据）处理。Spark Streaming是基于Spark批处理实现的微批式的流式处理，延迟较高，可以和Spark一起应用，实现流批一体的数据处理。Flink是当前最出色的流式数据处理框架，可以进行事件级数据处理，具有低延迟、吞吐量大、支持SQL等优点。

（4）分析应用层

基于HDFS、YARN和并行处理框架中的一个组件或组合，可以搭建非常多样的大数据应用，主要包括交互分析（OLAP）、随机查询、专门领域的数据分析、搜索等。各类应用的介绍如下。