大数据：Hadoop基础常识hive，hbase，MapReduce，Spark

HDFS把文件切分成block块进行存储（默认block大小尺寸为128m），然后这些block块被复制到多个计算机中（DataNode）。这有一个容错机制，副本策略，默认一块数据会有三个block，当前机器存储一份（数据本地化），另外一个机架存储一份，该机架的不同机器存储一份。

Hadoop在处理大数据时候特别需要注意：

1、    非常适合处理超大规模的数据集（TB，PB量级），非常不适合处理大量小文件。

2、    Hadoop一次写入，多次读写。Hadoop不支持随机修改文件。

3、Hadoop数据处理高延迟，数据的实时性不高。原因很显然，因为处理的数据规模非常大且是以分布式方式存储，读写访问需要花费更多时间。

Hadoop特点总结：不适合低延迟数据访问、无法高效存储大量小文件、不支持多用户写入及任意修改文件。

Hive

简单说，Hive提供了一种独特的SQL查询语句，使得熟悉SQL的开发者通过编写SQL语句即可访问Hadoop存储的海量数据，通过hive的SQL查询语句，开发者可以在一定程度上绕过MapReduce。hive可以用SQL的语言转化成Map Reduce任务对hdfs数据的查询分析。hive的使用者无需写Map Reduce任务，掌握SQL可完成查询分析工作。

Hbase

Hbase是一种NoSQL数据库。HBase是非关系型数据库(Nosql)，在某些业务场景下，数据存储查询在Hbase的使用效率更高。

Yarn

Yarn是分布式集群资源管理框架。

MapReduce的Shuffle

MapReduce在任务结束后将数据存放到硬盘中