hadoop概述

Hadoop是什么？

适合大数据的分布式存储和计算平台，作者Doug Cutting ,受google三篇大数据论文启发。 Google File System中文版 Google MapReduce中文版 Google Bigtable中文版

Hadoop生态系统

Hadoop的核心项目

HDFS: hadoop distributed file system 分布式文件系统 MapReduce: 并行计算框架，基于文件系统进行数据计算。

HDFS的架构

主从结构 主节点只有一个：namenode,从节点有很多个：datanodes. namenode负责接收用户操作请求，维护文件系统的目录结构。管理文件与block之间的关系，block与datanode之间的关系。 datanode负责存储文件，文件被分割成block存储在磁盘上。为保证数据安全，文件会有多个副本。

MapReduce

Map阶段：首先是读数据，数据来源可能是文本文件，表格，MySQL数据库。这些数据通常是成千上万的文件（叫做shards），这些shards被当做一个逻辑输入源。然后Map阶段调用用户实现的函数，叫做Mapper，独立且并行的处理每个shard。对于每个shard，Mapper返回多个键值对，这是Map阶段的输出。 Shuffle阶段：把键值对进行归类，也就是把所有相同的键的键值对归为一类。这个步骤的输出是不同的键和该键的对应的值的数据流。 Reduce阶段: 输入当然是shuffle的输出。然后Reduce阶段调用用户实现的函数，叫做Reducer，对每个不同的键和该键的对应的值的数据流进行独立、并行的处理。每个reducer遍历键对应的值，然后对值进行“置换”。这些置换通常指的的是值的聚合或者什么也不处理，然后把键值对写入数据库、表格或者文件中。