2024年最新大数据Hadoop生态圈，2024年最新30岁以后搞大数据开发已经没有前途

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

hadoop fs -cat :对于大文件读取，慎重
hadoop fs -get [-f] [-p]
    完整的： hadoop fs -get hdfs://node1:8020/chino/2.txt file:///root/test/
    简化： hadoop fs -get /chino/2.txt /root/test/(./)
hadoop fs -cp [-f覆盖]
hadoop fs -appendToFile :追加数据到文件中
    hadoop fs -appendToFile 2.txt 3.txt/1.txt [2.txt,3.txt追加到1.txt末尾，1.txt要在namespace里]
hadoop fs -mv :移动

#### hdfs的角色和职责：


##### NameNode：


        1 是HDFS的核心，架构中的主角色  
         2 namenode成为访问hdfs的唯一入口  
         3 维护和管理文件系统元数据，包括命名空间目录树结构、文件和块的位置信息、访问权限等信息  
         4 内部通过内存和磁盘文件两种方式管理元数据  
             磁盘上的元数据文件包括：Fsimage内存元数据镜像文件 和 edits log(Journal)编辑日志  
         **职责**：  
         1 NameNode仅存储HDFS的元数据： 文件系统中所有文件的目录树，并跟踪整个集群中的文件，不存储实际数据  
         2 NameNode知道HDFS中任何给定文件的块列表及其位置，使用此信息NameNode知道如果从块中构建文件  
         3 NameNode不持久化存储每个文件中各个块所在的datanode的位置，这些信息会在系统启动时从DataNode重构  
         4 NameNode是Hadoop集群中的单点故障  
         5 NameNode所在机器通常会配置有大量内存(RAM) 


##### DataNode：


        1 是HDFS的从角色，负责具体的数据库存储  
         2 DataNode的数量决定了HDFS集群的整体数据存储能力，通过和NameNode配合维护数据块  
         职责：  
         1 DataNode负责最终数据块block的存储，是集群中的从角色，也成为Slave  
         2 DataNode启动时，会将自己注册到NameNode并汇报自己负责持有的快信息  
         3 当某个DataNode关闭时，不会影响数据的可用性，NameNode将安排由其他DataNode管理的块进行副本复制  
         4 DataNode所在机器通常配置有大量的硬盘空间，因为实际数据存储在DataNode中


##### SecondaryNameNode：


        1 Secondary NameNode 充当NameNode的辅助节点，但不能替代NameNode  
         2 主要是帮助主角色进行元数据文件的合并动作，可以通俗理解为主角色的“秘书”


####  核心概念：


        PipeLine ：管道，这是HDFS在上传文件写数据过程中采用的一种数据传输方式。  
         流程：客户端将数据块写入第一个数据节点，第一个数据节点保存数据之后将块复制到第二个数据节点，后者保存后将其复制到第三个数据节点  
         Q/A  
             问：为什么datanode之间采用pipeline线性传输，而不是一次给三个datanode拓扑式传输？  
             答：因为数据以管道的方式，顺序的沿着一个方向传输，这样能够充分利用每个机器的宽带，避免网络瓶颈和高延迟时的连接，最小化推送所有数据的延时  
     ACK应答响应（两两之间的校验，三条数据三次响应）  
         ACK即时确认字符，在数据通信中，接收方给发送方的一种传输类控制字符。表示发来的数据已确认接收无误。  
         在HDFS pipeline管道传输数据的过程中，传输的反方向会进行ACK校验，确保数据传输安全


####     默认三副本存储策略


        默认副本存储策略是由BlockPlacementPolicyDefault指定  
             1 第一块副本：优先客户端本地，否则随机  
             2 第二块副本：不同于第一块副本的不同机架  
             3 第三块副本：第二块副本相同机架不同机器    


####  写数据流程梳理


   1 HDFS客户端创建对象实例DistributedFileSystem,该对象中封装了与HDFS文件系统操作的相关方法  
     2 调用DistributedFileSystem对象的create()方法，通过RPC请求与NameNode创建文件  
         NameNode 执行各种检查判断： 目标文件是否存在，客户端是否具有创建该文件的权限等，检查通过，NameNode就会为本次请求记下一条记录，返回FSDataOutputStream输出流对象给客户端用于写数据  
     3 客户端通过FSDataOutputStream输入流开始写数据（HDFS的输出流，相对客户端是输入流）  
     4 客户端写数据时，将数据分成一个个数据包(packet 默认64k)，内部组件DataStreamer请求NameNode挑选出适合存储数据副本的一组DataNode地址，默认是3副本存储  
         DataStreamer将数据包流式传输到pipeline的第一个DataNode，该DataNode存储数据包并将它发送到pipeline的第二个DataNode。同样第二个DataNode存储数据包并且发送给第三个DataNode  
     5 传输的反方向上，会通过ACK机制校验数据包传输是否成功  
     6 客户端数据写入后，在FSDataOutputSteam输出流上调用colse()方法关闭  
     7 DistributedFileSystem联系NameNode告知其文件写入完成，等待NameNode确认  
         因为namenode已经知道文件由那些块组成(DataStream请求分配数据块)，因此仅需等待最小复制块即可成功返回。  
         最小复制是由参数dfs.namenode.replication.min指定，默认是1        


####  MapReduce和Yarn


    MapReduce : 分而治之思想，设计构思，官方示例，执行流程（现在退居二线）  
     Yarn： 介绍，架构组件，程序提交交互流程、调度器（分布式通用的资源管理系统，保证了hadoop屹立不倒） 


####  MapReduce:


        分布式计算概念：  
         1 分布式计算是一种计算方法，和集中式计算是相对的  
         2 分布式计算将一个应用分解成许多小的部分，分配给多台计算机进行计算。这样可以节约整体计算时间，大大提高计算效率  
           
     MR是一个分布式计算框架，是一种面向海量数据处理的一种指导思想，也是一种对于大规模数据进行分布式计算的编程模型  
       
     特点：（比Spark等，非常稳定）  
         1 易于编程  
         2 良好的扩展性  
         3 高容错性  
         4 适合海量数据的离线处理  
     局限性：  
         1 实时计算性能差： 主要用于离线作业，无法做到秒级或亚秒级的数据响应  
         2 不能进行流式计算：  
             流式计算式数据式源源不断地计算，数据是动态地，而MR作为一个离线计算框架，主要针对静态数据集，数据是不能动态变化  
           
     MR地实例进程：  
         1个完整的MR程序在分布式运行时有三类：  
             1 MRAppMaster : 负责整个MR程序地过程调度以及状态协调（只有一个）  
             2 MapTask : 负责map阶段的整个数据处理流程  
             3 ReduceTask : 负责reduce阶段的整个数据处理流程  
         阶段组成：  
             一个MR编程模型中只能包含一个Map阶段和一个Reduce阶段，或者只有Map阶段  
                 eg：map->map->map->redce ：不行  
                 eg: map ->reduce->map->reduce->map->reduce:可以  
         数据类型：  
             注意： 整个MR程序中，数据都以kv键值对的形式流转的  
             在实际编程解决各种业务问题中，需要考虑每个阶段的输入输出kv分别是什么  
             MR内置了很多默认属性，比如排序，分组等，都和数据的k有关，所以kv的类型数据确定及其重要  
               
     WordCount编程实现思路：  
         1 map阶段的核心：把输入的数据经过切割，全部标记1，因此输出就是<单词，1>  
         2 shuffle阶段核心：经过MR程序内部自带的排序分组等功能，把key相同的单词作为一组构成新的kv对  
         3 reduce阶段核心：处理shuffle完的一组数据，该组数据就是该单词所有的键值对。对所有的1进行累加求和，就是单词的总次数





#### hive的安装配置：


1. JDK安装：hadoop是用java编写，需要安装jdk
2. Hadoop安装: hive 借助hadoop实现计算和大数据存储
3. Mysql安装：hive允许将元数据存储于本地远程的外部数据库中，这种设置可以支持hive的多会话生产环境，一般将mysql作为hive的元数据存储仓库（meta store ，存储哪些表，表明，类型，拥有者，列分区字段，表数据所在目录等）


        [Hive的安装及配置详解（含图文）\_hive配置文件-CSDN博客]( )






![img](https://img-blog.csdnimg.cn/img_convert/e4aa6179920cc325d7a78dbea9b999b2.png)
![img](https://img-blog.csdnimg.cn/img_convert/03bf1a2713593b90559341aabf55c831.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**