一、hadoop入门

一、概述

1、HDFS

Hadoop Distributed File System ，简称 HDFS ，是一个分布式文件系统。

其中主要由三个部分组成：

NameNode （nn）、DataNode(dn)、Secondary NameNode(2nn)

1 ） NameNode （ nn ）：存储文件的 元数据 ，如 文件名，文件目录结构，文件属性 （生成时间、副本数、 文件权限），以及每个文件的 块列表 和 块所在的 DataNode 等。

2）DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。

3 ） Secondary NameNode(2nn) ： 每隔一段时间对 NameNode 元数据备份 。（主要主备份作用，当NameNode宕机后做备用）

2、Yarn

Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。

3、MapReduce

MapReduce 将计算过程分为两个阶段： Map 和 Reduce

1） Map 阶段：并行处理输入数据（分多分支进行处理）

2 ） Reduce 阶段：对 Map 结果进行汇总（合并汇总多分支处理结果）

hadoop的整体结构：

二、大数据技术生态体系

图中涉及的技术名词解释如下：

1 ） Sqoop ： Sqoop 是一款开源的工具，主要用于在 Hadoop 、 Hive 与传统的数据库（ MySQL ） 间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL ， Oracle 等）中的数据导进 到 Hadoop 的 HDFS 中，也可以将 HDFS 的数据导进到关系型数据库中。

2 ） Flume ： Flume 是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统， Flume 支持在日志系统中定制各类数据发送方，用于收集数据；

3 ） Kafka ： Kafka 是一种高吞吐量的分布式发布订阅消息系统；

4 ） Spark ： Spark 是当前最流行的开源大数据内存计算框架。可以基于 Hadoop 上存储的大数 据进行计算。

5 ） Flink ： Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。

6 ） Oozie ： Oozie 是一个管理 Hadoop 作业（ job ）的工作流程调度管理系统。

7 ） Hbase ： HBase 是一个分布式的、面向列的开源数据库。 HBase 不同于一般的关系数据库， 它是一个适合于非结构化数据存储的数据库。

8 ） Hive ： Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张

数据库表，并提供简单的 SQL 查询功能，可以将 SQL 语句转换为 MapReduce 任务进行运

行。其优点是学习成本低，可以通过类 SQL 语句快速实现简单的 MapReduce 统计，不必开

发专门的 MapReduce 应用，十分适合数据仓库的统计分析。

9 ） ZooKeeper ：它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、 名字服务、分布式同步、组服务等。

三、搭建hadoop集群

hadoop存在三种安装模式：本地模式（单机）、伪集群（同一机器，不同端口，一般不用）、完全分布式集群