Hadoop基本概念

Hadoop是一個是個海量數據的分布式存儲和計算平臺

  對于數據，我們大致可以將其分為三類：

                         結構化數據（對于結構化數據的處理可以通過RDBMS處理，通過將搜索碼創建為索引頁可以實現很快的查詢速度）

                        半結構化數據（一般可以使用類型XML進行標記處理）

                         非結構化數據

其實，非結構化數據會占據相當大的比重，非機構化數據的存儲和計算也變得比較困難。

  Hadoop的靈感來自于Google的兩篇論文，包括MapReduce，我們可以將Hadoop理解為是MapReduce的開源實現，Hadoop是由java語言編寫的。

  首先，對于海量數據，需要完成對其進行存儲然后進行就算，分析。

HDFS：Hadoop分布式文件系統

MapReduce：Hadoop用于完成并行數據處理的框架

 可以理解為Hadoop=HDFS+MapReduce，也就是可以理解為一個Hadoop集群就是一個HDFS集群加上一個MapReduce集群。

HDFS如何完成分布式存儲：

   HDFS集群中一般會有一個主節點（在Hadoop的新版本中，已經實現有多個主節點），稱之為NameNode（簡稱為NN）

   HDFS中會有n個從節點，稱之為DataNode（DN）

實際完成數據存儲的都是數據節點，而NameNode主要是用于將數據分塊，分塊之后再分配給數據節點進行存儲，另外，NameNode用于接收用戶請求，管理從節點，維護文件系統的目錄結構，管理文件與Block之間的關系，block與數據節點之間的關系，從而完成分布式存儲海量數據的目的。

HDFS的特性：HDFS設計用于存儲大文件，對于海量小文件的存儲不太適用

        HDFS是用戶空間的文件系統（其實數據最終還是存儲在諸如ext3文件系統上，只不過需要經過HDFS的又一次對數據進行抽象）

        HDFS不支持修改數據（新版本支持追加）

        不支持掛載并通過系統調用進行訪問，只能使用專用訪問借口，例如專用的命令行工具，API

MapReduce，一般提到MapReduce，其有三個含義：

                            編程模型

                            運算框架

                           MapReduce編程思想的具體實現工具

MapReduce的思想大致就是分為兩個階段：Map和Reduce

           Map就是將對一個大文件的處理分割成塊進行計算，實現分布式

           Reduce就是將對各個塊的計算結果再進行匯總

對數據計算其實就是提取Key-Value的方式，在進行Map之后交由Reduce的時候，必須要將同一個Key提取的內容發送至同一個Reduce進程進行最后的合并

對于數據的計算，需要處理人員按照MapReduce的編程模型結合對數據的處理目的編寫MapReduce程序，所以對于海量數據的計算在HDFS+MapReduce結合上有著極大的限制性。

  Hadoop同時也有很多的組件，從而構成了Hadoop的生態系統：

HDFS+MapReduce構成了Hadoop的核心：

  Hive：Hive是由Facebook開發的，Hive將整個MapReduce提供的框架抽象為一個系統，當用戶想要就行查詢等操作的時候，就可以想Hive提交一個SQL語句，然后由Hive實現將用戶便于理解的SQL語句轉換成為一個MapReduce程序執行，最后向用戶輸出結果（可以理解成Hive提供了一個SQL接口，但是并不和SQL完全兼容）

  Hbase：由于HDFS不能掛載，也不能修改數據，當Hbase工作在HDFS之上的時候，構成一個Hbase集群，在Hbase的節點上再啟動一個進程，這時數據可以先存在Hbase上，然后再由Hbase將其存入HDFS，并且Hbase對數據記錄有版本號，實現了對數據進行修改

  在很多情況下，我們需要對例如web服務器集群產生的日志進行分析計算，那么如何將web服務器產生的日志存儲到HDFS上，首先，HDFS不能被掛載，所以就不能像對待一本文件系統沒那個一樣對其進行寫入，這就是Flume，scrib這些日志收集工具實現將日志存儲到HDFS上的。

  同上，很多情況下可能需要借助于集群的威力對存儲在RDBMS上的數據進行分析計算和挖掘，那么如何將RDBMS中的數據導入到HDFS上，就是有Sqoop工具實現的，可以將數據用Sqoop從RDBMS導出，先存儲到Hbase上，再由Hbase實現存儲到HDFS上，之后就可以通過編寫的MapReduce程序對數據進行運算

  MAhost就是用于數據挖掘，也就是機器學習的工具

 Zookeeper：可以理解其就是一個協調器，監控集群上的各個節點是否能夠符合集群的要求

Hadoop在HDFS提供改良數據存儲的方案上表現還是比較出色的，但是MapReduce的計算能力就稍有遜色，可以結合第二代大數據解決方案spark，使用HDFS完成海量數據的分布式存儲，有spark提供對海量數據的運算