大数据Hadoop入门

是什么？

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。 主要解决用来海量数据的存储和海量数据的分析计算问题。 从广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

四大优势

1. 高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。
2. 高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。
3. 高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
4. 高容错性：能够自动将失败的任务重新分配。

组成

HDFS概述

HDFS（Hadoop Distributed File System）是一个分布式文件管理系统。其组成：

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（生成数、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。

YARN概述

YARN（Yet Another Resourse Negotiator）简称YARN，另一种资源协调者，是Hadoop的资源管理者。其组成：

1. ResourseManger（RM）：整个集群资源（内存、cpu等）的管理者；
2. NodeManger（NM）：单个节点服务器的管理者；
3. ApplicationMaster（AM）：单个任务运行的主人；
4. Container：容器，相当于一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。

MapReduce架构概述

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；
2. Reduce阶段对Map结果汇总

HDFS、YARN、MapReduce三者关系

大数据生态体系