大数据Hadoop生态圈

存储： HDFS(namenode,datanode)

计算：MapReduce(map+reduce，基于磁盘)

便于用sql操作：Hive(核心 metastore，存储这些结构化的数据)，同类的还有Impala，hbase等

基于yaml的资源调度

hive ：通过 HQL访问，适合执行ETL，报表查询，数据分析等数据仓库任务

        支持运行在不同的计算框架，包括MapReduce,Spark,Tez等

        支持java数据库连接（JDBC），可以建立与ETL，BI工具的通道

        避免编写复杂的mapreduce，减少学习成本

        可以直接使用存储在hadoop文件系统中的数据

        将元数据保存在关系数据库中，大大减少查询过程中执行语义检查的时间

数据仓库：

        （英文Data Warehouse 简称数仓，DW）是一个用于存储，分析，报告的数据系统，目的是构建面向分析的集成化数据环境，分析结果为企业提供决策支持

定义：

        1 数据仓库并不“生产”任何数据，其数据来源不同的外部系统

        2 数据仓库不需要“消费”任何的数据，其结果开放给各个外部应用使用

         3 这也是为什么叫“仓库”，而不是“工厂”的原因

............................

参考视频： 

hdfs：
    核心概念：
        分布式存储（存储在多个机器上）
        元数据（记录存储的位置，权限等，便于查找，由NameNode管理）：
            两种类型：
                1 文件自身属性信息： 文件名称，权限，修改世界，文件大小，复制因子，数据块大小
                2 文件块位置映射信息： 记录文件块和DataNode之间的映射信息，即哪个块位于哪个节点上
        文件分块存储（一个文件特别大/剩余空间不够）：默认一个块128M，不足的本身就是一块(hdfs-default.xml:dfs.blocksize)
        副本机制（应对硬件故障）: dfs.replication默认是3，也就是本身是一份，额外再复制2份。
        抽象统一的目录树结构（namespace[命名空间]，由nameNode管理，对任何系统文件名称空间或属性的修改都会被记录下来）
    NameNode（记录元数据，统领dataNode）/DataNode

    主从架构：
        1 hdfs集群是标准的master/slave主从架构集群
        2 一般一个hdfs是有一个NameNode和一定数目的DataNode组成
        3 NameNode 是HDFS主节点，DataNode是HDFS的从节点，两种角色各司其职，共同协调完成分部署的文件存储服务
        4 官方架构图是一主五从模式，其中五个从角色位于两个机架（Rack）的不同服务器上

hdfs的shell命令
    格式： hadoop fs [generic options]
    
    hadoop发展到现在，除了支持hdfs（hdfs://nn:8020），还支持谷歌(gfs://ip:port/)，阿里云，linux,本地文件系统(file:///)等文件系统 —— 具体操作什么取决于命令中文件路径URL中的前缀协议，如果没有指定，则读取core-site.xml:fs.defaultFS属性
        hadoop fs -ls hdfs://node1:8020/
    
    hadoop fs -mkdir [-p] <path>
    hadoop fs -ls [-h人性化显示] [-R递归查看目录和子目录] [<path>...]
    hadoop fs -put [-f覆盖目录文件（已存在）] [-p保留访问和修改时间，所有权和权限] 文件 <path>
    hadoop fs -cat :对于大文件读取，慎重
    hadoop fs -get [-f] [-p]
        完整的： hadoop fs -get hdfs://node1:8020/chino/2.txt file:///root/test/
        简化： hadoop fs -get /chino/2.txt /root/test/(./)
    hadoop fs -cp [-f覆盖]
    hadoop fs -appendToFile :追加数据到文件中
        hadoop fs -appendToFile 2.txt 3.txt/1.txt [2.txt,3.txt追加到1.txt末尾，1.txt要在namespace里]
    hadoop fs -mv :移动
    
hdfs的角色和职责：
    NameNode：
        1 是HDFS的核心，架构中的主角色
        2 namenode成为访问hdfs的唯一入口
        3 维护和管理文件系统元数据，包括命名空间目录树结构、文件和块的位置信息、访问权限等信息
        4 内部通过内存和磁盘文件两种方式管理元数据
            磁盘上的元数据文件包括：Fsimage内存元数据镜像文件 和 edits log(Journal)编辑日志
        职责：
        1 NameNode仅存储HDFS的元数据： 文件系统中所有文件的目录树，并跟踪整个集群中的文件，不存储实际数据
        2 NameNode知道HDFS中任何给定文件的块列表及其位置，使用此信息NameNode知道如果从块中构建文件
        3 NameNode不持久化存储每个文件中各个块所在的datanode的位置，这些信息会在系统启动时从DataNode重构
        4 NameNode是Hadoop集群中的单点故障
        5 NameNode所在机器通常会配置有大量内存(RAM)
            
    DataNode：
        1 是HDFS的从角色，负责具体的数据库存储
        2 DataNode的数量决定了HDFS集群的整体数据存储能力，通过和NameNode配合维护数据块
        职责：
        1 DataNode负责最终数据块block的存储，是集群中的从角色，也成为Slave
        2 DataNode启动时，会将自己注册到NameNode并汇报自己负责持有的快信息
        3 当某个DataNode关闭时，不会影响数据的可用性，NameNode将安排由其他DataNode管理的块进行副本复制
        4 DataNode所在机器通常配置有大量的硬盘空间，因为实际数据存储在DataNode中
        
    SecondaryNameNode：
        1 Secondary NameNode 充当NameNode的辅助节点，但不能替代NameNode
        2 主要是帮助主角色进行元数据文件的合并动作，可以通俗理解为主角色的“秘书”
        
核心概念：
    PipeLine ：管道，这是HDFS在上传文件写数据过程中采用的一种数据传输方式。
        流程：客户端将数据块写入第一个数据节点，第一个数据节点保存数据之后将块复制到第二个数据节点，后者保存后将其复制到第三个数据节点
        Q/A
            问：为什么datanode之间采用pipeline线性传输，而不是一次给三个datanode拓扑式传输？
            答：因为数据以管道的方式，顺序的沿着一个方向传输，这样能够充分利用每个机器的宽带，避免网络瓶颈和高延迟时的连接，最小化推送所有数据的延时
    ACK应答响应（两两之间的校验，三条数据三次响应）
        ACK即时确认字符，在数据通信中，接收方给发送方的一种传输类控制字符。表示发来的数据已确认接收无误。
        在HDFS pipeline管道传输数据的过程中，传输的反方向会进行ACK校验，确保数据传输安全
        
    默认三副本存储策略
        默认副本存储策略是由BlockPlacementPolicyDefault指定
            1 第一块副本：优先客户端本地，否则随机
            2 第二块副本：不同于第一块副本的不同机架
            3 第三块副本：第二块副本相同机架不同机器
    
写数据流程梳理
    1 HDFS客户端创建对象实例DistributedFileSystem,该对象中封装了与HDFS文件系统操作的相关方法
    2 调用DistributedFileSystem对象的create()方法，通过RPC请求与NameNode创建文件
        NameNode 执行各种检查判断： 目标文件是否存在，客户端是否具有创建该文件的权限等，检查通过，NameNode就会为本次请求记下一条记录，返回FSDataOutputStream输出流对象给客户端用于写数据
    3 客户端通过FSDataOutputStream输入流开始写数据（HDFS的输出流，相对客户端是输入流）
    4 客户端写数据时，将数据分成一个个数据包(packet 默认64k)，内部组件DataStreamer请求NameNode挑选出适合存储数据副本的一组DataNode地址，默认是3副本存储
        DataStreamer将数据包流式传输到pipeline的第一个DataNode，该DataNode存储数据包并将它发送到pipeline的第二个DataNode。同样第二个DataNode存储数据包并且发送给第三个DataNode
    5 传输的反方向上，会通过ACK机制校验数据包传输是否成功
    6 客户端数据写入后，在FSDataOutputSteam输出流上调用colse()方法关闭
    7 DistributedFileSystem联系NameNode告知其文件写入完成，等待NameNode确认
        因为namenode已经知道文件由那些块组成(DataStream请求分配数据块)，因此仅需等待最小复制块即可成功返回。
        最小复制是由参数dfs.namenode.replication.min指定，默认是1
        
MapReduce和Yarn
    MapReduce : 分而治之思想，设计构思，官方示例，执行流程（现在退居二线）
    Yarn： 介绍，架构组件，程序提交交互流程、调度器（分布式通用的资源管理系统，保证了hadoop屹立不倒）
    
MapReduce:
    分布式计算概念：
        1 分布式计算是一种计算方法，和集中式计算是相对的
        2 分布式计算将一个应用分解成许多小的部分，分配给多台计算机进行计算。这样可以节约整体计算时间，大大提高计算效率
        
    MR是一个分布式计算框架，是一种面向海量数据处理的一种指导思想，也是一种对于大规模数据进行分布式计算的编程模型
    
    特点：（比Spark等，非常稳定）
        1 易于编程
        2 良好的扩展性
        3 高容错性
        4 适合海量数据的离线处理
    局限性：
        1 实时计算性能差： 主要用于离线作业，无法做到秒级或亚秒级的数据响应
        2 不能进行流式计算：
            流式计算式数据式源源不断地计算，数据是动态地，而MR作为一个离线计算框架，主要针对静态数据集，数据是不能动态变化
        
    MR地实例进程：
        1个完整的MR程序在分布式运行时有三类：
            1 MRAppMaster : 负责整个MR程序地过程调度以及状态协调（只有一个）
            2 MapTask : 负责map阶段的整个数据处理流程
            3 ReduceTask : 负责reduce阶段的整个数据处理流程
        阶段组成：
            一个MR编程模型中只能包含一个Map阶段和一个Reduce阶段，或者只有Map阶段
                eg：map->map->map->redce ：不行
                eg: map ->reduce->map->reduce->map->reduce:可以
        数据类型：
            注意： 整个MR程序中，数据都以kv键值对的形式流转的
            在实际编程解决各种业务问题中，需要考虑每个阶段的输入输出kv分别是什么
            MR内置了很多默认属性，比如排序，分组等，都和数据的k有关，所以kv的类型数据确定及其重要
            
    WordCount编程实现思路：
        1 map阶段的核心：把输入的数据经过切割，全部标记1，因此输出就是<单词，1>
        2 shuffle阶段核心：经过MR程序内部自带的排序分组等功能，把key相同的单词作为一组构成新的kv对
        3 reduce阶段核心：处理shuffle完的一组数据，该组数据就是该单词所有的键值对。对所有的1进行累加求和，就是单词的总次数

hive的安装配置：

1. JDK安装：hadoop是用java编写，需要安装jdk
2. Hadoop安装: hive 借助hadoop实现计算和大数据存储
3. Mysql安装：hive允许将元数据存储于本地远程的外部数据库中，这种设置可以支持hive的多会话生产环境，一般将mysql作为hive的元数据存储仓库（meta store ，存储哪些表，表明，类型，拥有者，列分区字段，表数据所在目录等）

        Hive的安装及配置详解（含图文）_hive配置文件-CSDN博客