Hadoop初学者

Hadoop的介绍

• (1) Hadoop是什么？

1.狭义：Hadoop是一个有Apache基金会所开发的分布式系统（软件）基础架构
2.广义：Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

• (2) Hadoop有什么用？

主要解决，海量数据的存储和海量数据的分析计算问题。

Hadoop有什么优点

• (1) Hadoop有4个优点

高可靠性：多副本（一份数据在从节点上存多份）

高扩展性：修改配置文件（即增加节点）

高效性：并行（在多个从节点上搜索数据）

高容错性：重新分配（就比如一堆数据需要求平均数，在节点1算完， 节点2算完，结果在节点3出错。此时并不需要全部重新开始计算，只需在出错的节点，即节点3重新计算即可）

Hadoop的结构主要是主从结构，分而治之。即一个主节点配有多个从节点。

Hadoop发展史（了解）

• (1) 创始人是谁？

Hadoop创始人Doug Cutting，编写Lucene框架与Hadoop

• (2) Lucene框架是什么

Lucene框架是与Google类似的全文搜索功能

• (3) Lucene有什么特点

Java编写，开源，完整的查询引擎和索引引擎

• (4) 搜索的难题是什么

对于海量数据的场景，Lucene面对与Google同样的困难，存储数据困难，检索速度慢。

• (5) 难题如何解决？

参考Google在大数据方面的三篇论文，编写微型版Nutch
，后来，Google公开了部分GFS和Mapreduce思想的细节，DFS和MapReduce机制，使Nutch性能飙升

GFS —>HDFS Map-Reduce ----->MR BigTable ---->HBase

• (6) Hadoop
• 

Map-Reduce和Nutch Distributed File System（NDFS）分别被纳入称为Hadoop的项目

Hadoop三大发行版本

• （1）发行版是什么？

内核和一批有用的程序的的一个集合体比如Linux内核+应用软件

• （2）三个发行版是什么？

Hadoop三大发行版本：Apache，Cloudera，Hortonworks

• （3）三个发行版的区别什么？

Apache版本最原始（最基础）的版本，对于入门学习最好（免费）
Cloudera在大型互联网企业中用的较多（服务收费CDH）
Hortonworks文档较好（收费HDH）

Hadoop的组成

• （1）Hadoop的架构分为几部分？（或者由几部分组成）

1.x由hdfs，mapreduce，common
2.x由hdfs，mapreduce，yarn，common

• （2）因为1.x与2.x的架构发生重大变化（面试重点）

1.x中，MapReduce做两件事：计算+资源调度
2.x中，MapReduce只做一件事：计算，资源调度由Yarn负责

• （3）区别

2.x增加了Yarn

Hadoop组成一：HDFS

• （1）什么是HDFS？

HDFS（Hadoop Distributed File System）

• （2）HDFS由3部分组成

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）：用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照.保持同步。

类似图书管借书，NameNode就好比仓库管理员，DataNode就是小仓库。Secondary NameNode就是NameNode的备胎。数据是分布在不同的书架上，但是每次借还都需要通过前台系统查找。

Hadoop组成二：MapReduce

• （1）什么是MapReduce？

Hadoop中负责计算的部分

• （2）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 MapR进行汇总

• （3）分而治之

Hadoop组成三：Yarn

• （1）什么是Yarn？

Hadoop中负责资源调度的部分

• （2）Yarn由4部分组成

ResourceManager（RM）
NodeManager（NM）
ApplicationMaster（AM）
Container

• （3） YARN架构
  
  简单来说ResourceManager就相当于部门经理，NodeManager就相当于小组长，ApplicationMaster就相当于程序猿，管理运行程序的。
  一份资源过来，先经过ResourceManager部门经理，分配给NodeManager。NodeManager小组长也不干活，抛给最小的小弟ApplicationMaster来管理运行程序，当ApplicationMaster分配时就虚拟出一个Container，相当于资源的代练。然后Container就分给程序跑，跑完之后就可以回收了。

注意Yarn不参与计算，也不参与存储，存储是DFS的事情。是硬盘方面的问题。计算是程序算法的问题。

Yarn是管CPU跟内存的，管计算资源的