1. Hadoop 入门
1. 大数据概述
1. 大数据相关说明
大数据由来： 传统数据处理应用软件不足以处理（存储和计算）它们大而复杂的数据集
大数据面临的两大问题： 针对海量数据的 存储、计算
大数据的特性：容量大、种类多、速度快、价值高
大数据部门的一般业务流程：
- 项目经理提出需求，例如统计日活、周活、月活、年度账单等
- 大数据部门的大数据平台或系统，分析一些需求指标
- 数据可视化
大数据部门的一般组织架构：
2. Hadoop 及大数据生态圈
Hadoop 是 Apache 旗下的一套开源软件平台，利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理。即 存储 + 计算
Hadoop 三大发行版本：Apache、Clouddera、Hortonworks
3. Hadoop 核心组件
HDFS（Hadoop Distributed File System）：分布式文件系统，解决 存储 问题
YARN（Yet Another Resource Negotiator）：运算资源 调度 系统
MapReduce（Map和Reduce）：分布式远程 运算 框架
Common：以上三大组件的底层支撑组件（基础功能组件），主要提供基础工具包和 RPC 框架等
4. Hadoop 生态圈
Ambari： 基于 web 的工具配置
Avro：数据系列化系统
Cassandra：没有单点故障的可伸缩的多主机数据库
Chukwa：可管理大型分布式系统的数据采集系统
HBase：可扩展的分布式的数据库，支持大型表的结构化数据存储，是一种浓缩型数据库
Hive：数据仓库的基础设施，提供数据的总结和特别查询
Mahout：可扩展的机器学习和数据挖掘的库
Pig：一种高级的数据流语言
Spark：Hadoop 快速通用的计算引擎，提供了简单和丰富的编程模型，支持广泛的应用程序
Tez：一个广义的数据流的编程框架，基于 Hadoop 的 YARN，提供功能强大且灵活的引擎，来执行 DAG
Zookeeper：高性能的分布式应用程序的协调服务（只要有协调的就看 Zookeeper）
5. 集群安装模式
- 单机模式
- 伪分布式模式
- 分布式模式
- 高可用模式
- 联邦模式
6. Hadoop 运行模式
- 独立模式（默认）：不配置任何东西，Hadoop 所有组件都作为一个 Java 进程运行，这使用 本地文件系统
- 伪分布式模式：单节点 Hadoop 部署运行，所有 Hadoop 服务（包括主服务和从服务）都在单个计算节点上执行
- 完全分布式模式：Hadoop 主从服务运行在不同节点上的 Hadoop 部署
7. Hadoop 工作流程
Hadoop 是一个开源的分布式计算框架，它能够处理大规模数据集并行计算。Hadoop 的工作流程可以分为数据存储、数据处理和数据输出三个部分：
- 数据存储。Hadoop 通过分布式文件系统 HDFS 实现数据存储。HDFS 将数据分成多个块，并将这些块存储在不同的节点上，每个块都有多个副本，以保证数据的可靠性和高可用性。当一个节点出现故障时，HDFS 会自动将该节点上的块复制到其他节点上，以保证数据不会丢失
- 数据处理。Hadoop 通过分布式计算模型 MapReduce 实现数据处理。MapReduce 将数据分成多个小块，并将这些小块分配给不同的节点处理，每个节点都会执行 Map 和 Reduce 两个操作，Map 操作将输入数据转换成键值对，Reduce 操作将相同键的值进行合并。最终结果被写入 HDFS 中
- 数据输出。Hadoop 通过自身的输出格式实现数据输出，Hadoop 支持多种输出格式，如文本、序列化、Avro、Parquet 等。用户可根据需求选择不同的方式。输出的数据可以存入 HDFS，也可导出到其他系统中
8. Hadoop 的推行策略
如果某个节点似乎执行任务的速度较慢，则主节点可以在另一个节点上冗余的执行同一任务的另一个实例。然后，首先完成的任务将被接受，另一个被杀死。这个过程称为 ”推测执行“
9. 知识点
- Hadoop 计算和存储在一起，因为移动计算比移动数据成本低
- Hadoop 上传文件指定用户（如 root）时不需要其密码
- Hadoop fs 在 Linux 系统中的文件位置，是在指定的 data 目录下
- 集群中发现某个表有一千多万个小文件，想办法怎么合并一下？
- 答：把小文件拉取下来，使用命令行合并，不要直接操作服务器上的那些小文件
2. Hadoop 启动与服务名
1. Hadoop（HDFS/YARN）启动
注意：在启动 Hadoop 服务之前先启动 Zookeeper
1. 第一次启动 Hadoop 服务前先在三台机器上格式化 nodeman
hdfs namenode -format
2. 启动方式
方式一：一次性把 hdfs 和 yarn 都启动
start-all.sh # 启动服务
stop-all.sh # 停止服务
方式二：一个一个启动
start-hdfs.sh # 启动hdfs
start-yarn.sh # 启动yarn
2. HDFS 和 YARN 的服务种类
1. HDFS 服务（进程）
- NameNode：主节点
- DataNode：从节点
- SecondaryNameNode：主节点的辅助节点（协助 NameNode 合并元数据信息）
2. YARN 服务（进程）
- ResourceManager（主节点）
- NodeManager（从节点）
