大数据相关组件

一、 HDFS

HDFS是hadoop的核心组件，HDFS上的文件被分成块进行存储，默认块的大小是64M，块是文件存储处理的逻辑单元。

HDFS是Master和Slave的结构。分NameNode、SecondaryNameNode、DataNode这几个角色。

NameNode：是Master节点，管理数据块映射，处理客户端的读写请求，配置副本策略，管理HDFS的名称空间；

SecondaryNameNode：是NameNode的冷备份，分担NameNode的工作量，合并fsimage和fsedits然后再发给NameNode，定期同步元数据映像文件和修改日志，当NameNode发生故障时，备份转正。

DataNode：是Slave节点，负责存储client发来的数据块block，执行数据块的读写操作，定期向NameNode发送心跳信息。

特点：

• 数据冗余，硬件容错，每个数据块有三个备份；

• 流式的数据访问，数据写入不易修改；

• 适合存储大文件，小文件会增加NameNode的压力。

• 适合数据批量读写，吞吐量高；

• 不适合做交互式应用，低延迟很难满足；

• 适合一次写入多次读取，顺序读写；

• 不支持多用户并发写相同文件。

二、 MapReduce

MapReduce的工作原理用一句话概括就是，分而治之，然后归约，即将一个大任务分解为多个小任务（map），并行执行后，合并结果（reduce）。

整个MapReduce的过程大致分为Map-->Shuffle（排序）-->Combine（组合）-->Reduce。

三、 YARN

YARN是Hadoop 2.0中的资源管理系统，它的基本设计思想是将MRv1中的JobTracker拆分成了两个独立的服务：

• 全局的资源管理器ResourceManager，负责整个系统的资源管理和分配

• 每个应用程序特有的ApplicationMaster，负责单个应用程序的管理。

四、 Hive

Hive是构建在Hadoop HDFS上的一个数据仓库，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能，其本质是将SQL转换为MapReduce程序。

Hive的表其实就是HDFS的目录/文件。

五、Hbase

是一个领先的No-SQL数据库，它在HDFS上存储数据，是面向列的数据库

六、Spark

是一个快速、通用的大规模数据处理引擎 (基于scala开发)

​ 1、spark rdd：弹性分布式数据集

​ 2、spark sql：Spark中结构化数据处理模块。使用Spark SQL提供的接口

​ 3、spark streaming：spark实时计算引擎

​ 4、spark graphx： spark图形数据库

​ 5、spark mLlib：spark机器学习

七、Flink

Apache Flink 是为分布式、高性能、随时可用以及准确的流处理应用程序打造的开源流处理框架