一.大数据

1.概念

大数据是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合。

2.大数据特征：

4V特征

• Volume(大数据量)：90% 的数据是过去两年产生
• Velocity(速度快)：数据增长速度快，时效性高
• Variety(多样化)：数据种类和来源多样化
  结构化数据、半结构化数据、非结构化数据
• Value(价值密度低)：需挖掘获取数据价值
  固有特征
• 时效性
• 不可变性

二.Hadoop

1.分布式计算

分布式计算将较大的数据分成小的部分进行处理。

2.hadoop概念

• Hadoop是一个开源分布式系统架构
• 分布式文件系统HDFS——解决大数据存储
• 分布式计算框架MapReduce——解决大数据计算
• 分布式资源管理系统YARN
• 处理海量数据的架构首选
• 非常快得完成大数据计算任务
• 已发展成为一个Hadoop生态圈

3.hadoop版本

• Hadoop起源于搜索引擎Apache Nutch
  • 创始人：Doug Cutting
  • 2004年 - 最初版本实施
  • 2008年 - 成为Apache顶级项目
• Hadoop发行版本
  • 社区版：Apache Hadoop
  • Cloudera发行版：CDH
  • Hortonworks发行版：HDP

4.为什么使用hadoop

• 高扩展性，可伸缩
• 高可靠性
  • 多副本机制，容错高
• 低成本
• 无共享架构
• 灵活，可存储任意类型数据
• 开源，社区活跃

5.Hadoop vs RDBMS

三.Hadoop生态系统

• Hadoop核心：HDFS MapReaduce Yarn Common Core
• 数据查询分析：Hive Pig Impala Presto
• 协调管理：HCatalog Zookeeper Ambari
• 数据迁移：Sqoop Flume(实时的)
• Spark NOSQL 机器学习 任务调度
  

四.HDFS

1.HDFS角色

• Client：客户端
• NameNode (NN)：元数据节点
  • 管理文件系统的Namespace/元数据
  • 一个HDFS集群只有一个Active的NN
• DataNode (DN)：数据节点
  • 数据存储节点，保存和检索Block
  • 一个集群可以有多个数据节点
• Secondary NameNode (SNN)：从元数据节点
  • 合并NameNode的edit logs到fsimage文件中
  • 辅助NN将内存中元数据信息持久化
    

2.HDFS架构

3.HDFS高可用

• 在1.x版本中
  • 存在Namenode单点问题
• 在2.x版本中
  • 解决：HDFS Federation方式，共享DN资源
  • Active Namenode
    • 对外提供服务
  • Standby Namenode
    • Active故障时可切换为Active

4.HDFS副本机制

• Block：数据块
  • HDFS最基本的存储单元
  • 默认块大小：128M（2.x）
• 副本机制
  • 作用：避免数据丢失
  • 副本数默认为3
  • 存放机制：
    • 一个在本地机架节点
    • 一个在同一个机架不同节点
    • 一个在不同机架的节点
      

5.HDFS读文件

6.HDFS写文件