Hadoop

关键字
高扩展性：在集群间分配任务数据，可方便扩展结点。
高可用性：多个数据副本维护。
高容错性：能够自动将失败的任务重新分配，
低成本：Hadoop框架可以部署在廉价的机器上。
高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。

Hadoop是一个分布式系统框架，存储和分析海量数据的工具

Hadoop分为三大核心组件：hdfs数据存储、mapReduce计算、Yarn资源调度、Common辅助工具
HDFS分布式文件系统、yarn分布式资源调度系统、mapReduce分布式计算框架
还包括
数据查询分析：hive，pig，impala，presto；
协调管理：Hcatalog、Zookeeper、Ambari；
数据迁移：sqoop、Flume
Spark、Nosql、机器学习、任务调度

HDFS（分布式文件系统） -—— 实现将文件分布式存储在集群服务器上
MAPREDUCE（分布式运算编程框架） —— 实现在集群服务器上分布式并行运算 以加快任务处理速度，这叫高效性。
YARN（分布式资源调度系统） —— 帮用户调度大量的 MapReduce 程序，并合理分配运算资源（CPU和内存）

可以分布式的服务器集群上面，可以分布式的存储海量数据，并分布式的并行执行应用执行。

HDFS:它是一个文件系统，通过目录树来定位文件；是分布式的。
HDFS的使用场景：适合一次写入，多次读出的场景。目前不支持文件修改。适合用来做数据分析，不适合做网盘的应用。

HDFS的架构
1）NameNode：储存文件的元数据，如文件名，文件目录结构，文件属性，以及每个文件的块列表和块所在的DataNode等。

2）DataNode：在本地文件系统存储文件块数据，以及块数据的校验和。

3）Secondary NameNode：用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。

YARN 架构概述
Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。

1）ResourceManager（RM）：整个集群资源（内存、CPU等）的老大

3）ApplicationMaster（AM）：单个任务运行的老大

2）NodeManager（N M）：单个节点服务器资源老大

4）Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。

MapReduce架构
MapReduce将计算过程分为两个阶段：Map和Reduce
1）Map阶段并行处理输入数据
2）Reduce阶段对Map结果进行汇总

Mapper:

1.第一阶段是把输入文件进行分片（inputSplit）得到block。有多少个block就对应启动多少maptask
2.第二阶段是对输入片中的记录按照一定的规则解析成键值对。键（key）表示每行首字符偏移值，值（value）表示本行文本内容。
3.第三阶段是调用map方法。解析出来的每个键值对，调用一次map方法。
4.第四阶段是按照一定规则对第三阶段输出的键值对进行分区。
5.第五阶段是对每个分区中的键值对进行排序。首先按照键进行排序，然后按照值。完成后将数据写入内存中，内存中这片区域叫做环形缓冲区。
Reduce:

1.第一阶段（copy）reduce任务从Mapper任务复制输出的键值对。
2.第二阶段（sort）合并排序是把复制到Reduce本地数据，全部合并。再对合并后的数据排序
3.第三阶段是对排序后的键值对调用reduce方法。键相等的键值对调用一次reduce方法，每次调用会产生零个或者多个键值对，最后把这些输出的键值对写入到HDFS文件中。

涉及的技术名词解释如下：
1）Sqoop：Sqoop 是一款开源的工具，主要用于在 Hadoop、Hive 与传统的数据库（MySQL）间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 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。

2）Flume：Flume 是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume 支持在日志系统中定制各类数据发送方，用于收集数据；

3）Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统；

4）Spark：Spark 是当前最流行的开源大数据内存计算框架。可以基于 Hadoop 上存储的大数据进行计算。

5）Flink：Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。

6）Oozie：Oozie 是一个管理 Hadoop 作业（job）的工作流程调度管理系统。

7）Hbase：HBase 是一个分布式的、面向列的开源数据库。HBase 不同于一般的关系数据库，
它是一个适合于非结构化数据存储的数据库。

8）Hive：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，并提供简单的 SQL 查询功能，可以将 SQL 语句转换为 MapReduce 任务进行运行。其优点是学习成本低，可以通过类 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。

9）ZooKeeper：它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、分布式同步、组服务等。