什么叫大数据，“大”，说的并不仅是数据的“多”！不能用数据到了多少TB ，多少PB 来说。
对于大数据，可以用四个词来表示：大量，多样，实时，不确定。
也就是数据的量庞大，数据的种类繁杂多样话，数据的变化飞快，数据的真假存疑。
大量：这个大家都知道，想百度，淘宝，腾讯，Facebook，Twitter等网站上的一些信息，这肯定算是大数据了，都要存储下来。
多样：数据的多样性，是说数据可能是结构型的数据，也可能是非结构行的文本，图片，视频，语音，日志，邮件等。
实时：大数据需要快速的，实时的进行处理。如果说对时间要求低，那弄几个机器，对小数据进行处理，等个十天半月的出来结果，这样也没有什么意义了。
不确定： 数据是存在真伪的，各种各样的数据，有的有用，有的没用。很难辨析。
根据以上的特点，我们需要一个东西，来：
1.存储大量数据
2.快速的处理大量数据
3.从大量数据中进行分析
于是就有了这样一个模型hadoop。
一.什么是hadoop？
1.Hadoop是Apache旗下的一套开源软件平台，是用来分析和处理大数据的软件平台。
2.Hadoop提供的功能：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。
3.Hadoop的核心组件：由底层往上分别是 HDFS、Yarn、MapReduce。
4.广义上来说，Hadoop通常指的是指一个更广泛的概念->Hadoop生态 圈。
5.云计算是分布式计算、并行计算、网格计算、多核计算、网络存储、虚 拟化、负载均衡等传统计算机技术和互联网技术融合发展的产物。借助 IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS（软件即服务）等业 务模式，把强大的计算能力提供给终端用户。
6.现阶段，云计算的两大底层支撑技术为虚拟化和大数据技术。
7.HADOOP则是云计算的PaaS层的解决方案之一，并不等同于PaaS，更不等同于云计算本身。
8.HADOOP应用于数据服务基础平台建设。
9.HADOOP用于用户画像。
10.HADOOP用于网站点击流日志数据挖掘
二.Hadoop的生态圈和核心组件
这就相当于一个生态系统，或者可以看成一个操作系统XP，win7,win10
HDFS和MapReduce为操作系统的核心，Hive，Pig，Mathout，Zookeeper，Flume，Sqoop，HBase等，都是操作系统上的一些软件，或应用。
核心组件：HDFS（分布式文件系统）、YARN（集群资源管理系统）、MapReduce(分布式计算框架)
1.HDFS: 分布式文件存储系统(Hadoop Distributed File System)
HDFS是块级别的分布式文件存储系统。是hadoop中数据存储管理的基础,具有高度容错性，能检测和应对硬件故障。
包含四个部分：HDFS Client、NameCode(nn)、DataNode(dn)、Secondary NameCode(2nn)
1、提供一些命令来管理、访问 HDFS，比如启动或者关闭HDFS。
2、与 DataNode 交互，读取或者写入数据；读取时，要与 NameNode 交互，获取文件的位置信息；写入 HDFS 的时候，Client 将文件切分成 一个一个的Block，然后进行存储。
NameNode(nn)：元数据节点，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得到DataNode等；管理HDFS的名称空间和数据块映射信息，配置副本策略，处理客户端请求；
它是描述数据的数据，相当于图书馆的检索系统。
DataNode(dn)：数据节点，在本地文件系统存储文件块数据，以及块数据的校验和。
存储实际的数据，汇报存储信息给namenode，相当于书柜。
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。辅助namenode，分担其工作量：定期合并fsimage和fsedits，推送给namenode。
从图上来看，HDFS的简单原理。
Rack1，Rack2，Rack3是三个机架；
1,2,3,4,5,6,7,8,9,10,11,12 是机架上的十二台服务器。
Block A, Block B, Block C为三个信息块，也就是要存的数据。
从整体布局上来看，信息块被分配到机架上。看似很均匀。这样分配的目的，就是备份，防止某一个机器宕机后，单点故障的发生。
HDFS有很多特点：
① 保存多个副本，且提供容错机制，副本丢失或宕机自动恢复。默认存3份。
② 运行在廉价的机器上。
③ 适合大数据的处理。多大？多小？HDFS默认会将文件分割成block，64M为1个block。然后将block按键值对存储在HDFS上，并将键值对的映射存到内存中。如果小文件太多，那内存的负担会很重。（从2.7.3版本开始，官方关于Data Blocks 的说明中，block size由64 MB变成了128 MB的。）
如上图所示，HDFS也是按照Master和Slave的结构。分NameNode、SecondaryNameNode、DataNode这几个角色。
HDFS Client：就是客户端。
1、提供一些命令来管理、访问 HDFS，比如启动或者关闭HDFS。
2、与 DataNode 交互，读取或者写入数据；读取时，要与NameNode 交互，获取文件的位置信息；写入 HDFS 的时候，Client 将文件切分成 一个一个的Block，然后进行存储。
NameNode：是Master节点，是大领导。管理数据块映射；处理客户端的读写请求；配置副本策略；管理HDFS的名称空间；
SecondaryNameNode：是一个小弟，分担大哥namenode的工作量；是NameNode的冷备份；合并fsimage和fsedits然后再发给namenode。
DataNode：Slave节点，奴隶，干活的。负责存储client发来的数据块block；执行数据块的读写操作。
热备份：b是a的热备份，如果a坏掉。那么b马上运行代替a的工作。
冷备份：b是a的冷备份，如果a坏掉。那么b不能马上代替a工作。但是b上存储a的一些信息，减少a坏掉之后的损失。
fsimage:元数据镜像文件（文件系统的目录树。）
edits：元数据的操作日志（针对文件系统做的修改操作记录）
namenode内存中存储的是=fsimage+edits。
SecondaryNameNode负责定时默认1小时，从namenode上，获取fsimage和edits来进行合并，然后再发送给namenode。减少namenode的工作量。
HDFS工作原理：
写操作
有一个文件FileA，100M大小。Client将FileA写入到HDFS上。
HDFS按默认配置。
HDFS分布在三个机架上Rack1，Rack2，Rack3。
a. Client将FileA按64M分块。分成两块，block1和Block2;
b. Client向nameNode发送写数据请求，如图蓝色虚线①------>。
c. NameNode节点，记录block信息。并返回可用的DataNode，如粉色虚线②--------->。
Block1: host2,host1,host3
Block2: host7,host8,host4
原理：
NameNode具有RackAware机架感知功能，这个可以配置。
若client为DataNode节点，那存储block时，规则为：副本1，同client的节点上；副本2，不同机架节点上；副本3，同第二个副本机架的另一个节点上；其他副本随机挑选。
若client不为DataNode节点，那存储block时，规则为：副本1，随机选择一个节点上；副本2，不同副本1，机架上；副本3，同副本2相同的另一个节点上；其他副本随机挑选。
d. client向DataNode发送block1；发送过程是以流式写入。
流式写入过程，
1>将64M的block1按64k的package划分;
2>然后将第一个package发送给host2;
3>host2接收完后，将第一个package发送给host1，同时client想host2发送第二个package；
4>host1接收完第一个package后，发送给host3，同时接收host2发来的第二个package。
5>以此类推，如图红线实线所示，直到将block1发送完毕。
6>host2,host1,host3向NameNode，host2向Client发送通知，说“消息发送完了”。如图粉红颜色实线所示。
7>client收到host2发来的消息后，向namenode发送消息，说我写完了。这样就真完成了。如图黄色粗实线
8>发送完block1后，再向host7，host8，host4发送block2，如图蓝色实线所示。
9>发送完block2后，host7,host8,host4向NameNode，host7向Client发送通知，如图浅绿色实线所示。
10>client向NameNode发送消息，说我写完了，如图黄色粗实线。。。这样就完毕了。
分析，通过写过程，我们可以了解到：
①写1T文件，我们需要3T的存储，3T的网络流量贷款。
②在执行读或写的过程中，NameNode和DataNode通过HeartBeat进行保存通信，确定DataNode活着。如果发现DataNode死掉了，就将死掉的DataNode上的数据，放到其他节点去。读取时，要读其他节点去。
③挂掉一个节点，没关系，还有其他节点可以备份；甚至，挂掉某一个机架，也没关系；其他机架上，也有备份。
读操作
读操作就简单一些了，如图所示，client要从datanode上，读取FileA。而FileA由block1和block2组成。
那么，读操作流程为：
a. client向namenode发送读请求。
b. namenode查看Metadata信息，返回fileA的block的位置。
block1:host2,host1,host3
block2:host7,host8,host4
c. block的位置是有先后顺序的，先读block1，再读block2。而且block1去host2上读取；然后block2，去host7上读取；
上面例子中，client位于机架外，那么如果client位于机架内某个DataNode上，例如,client是host6。那么读取的时候，遵循的规律是：
优选读取本机架上的数据。
2. Yarn：分布式资源管理器 (Yet Another Resource Negotiator，另一种资源协调者)
Yarn顾名思义 管理资源的 那么具有足够的通用性，可以支持其他的分布式计算模式。
Yarn还能很方便的管理诸如Hive、Hbase、Pig、Spark/Shark等应用。
Yarn可以使各种应用互不干扰的运行在同一个Hadoop系统中，实现整个集群资源的共享。
包含两个进程：Nodemanager,ResourceManager
3. MapReduce：分布式计算框架
mapreduce是一种采用分而治之的分布式计算框架，用于处理数据量大的计算。
如一复杂的计算任务，单台服务器无法胜任时，可将此大任务切分成一个个小的任务，小任务分别在不同的服务器上并行的执行；最终再汇总每个小任务的结果
MapReduce由两个阶段组成：
Map阶段（切分成一个个小的任务）
Reduce阶段（汇总小任务的结果）
用户只需实现map()和reduce()两个函数，即可实现分布式计算
执行流程图如下：
jobtracker
master节点，只有一个，管理所有作业，任务/作业的监控，错误处理等，将任务分解成一系列任务，并分派给tasktracker。
tacktracker
slave节点，运行 map task和reducetask；并与jobtracker交互，汇报任务状态。
map task
解析每条数据记录，传递给用户编写的map（）并执行，将输出结果写入到本地磁盘（如果为map—only作业，则直接写入HDFS）。
reduce task
从map 它深刻地执行结果中，远程读取输入数据，对数据进行排序，将数据分组传递给用户编写的reduce函数执行
原理图如下：
总体来说：是个总分总的结构，先分解成多个小任务，在map阶段处理完成后，汇总成少数个小任务server在Reduce阶段处理进行排序 分组等操作。
Map阶段解说：先把一个大任务分解split成多个小任务
(1) 读取HDFS中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数。<0,hello you> <1,hello me>
(2)覆盖map()，接收(1)产生的<k,v>，进行处理，转换为新的<k,v>输出。 <hello,1> <you,1> <hello,1> <me,1>
(3)对(2)输出的<k,v>进行分区。默认分为一个区。
(4)对不同分区中的数据进行排序（按照k）、分组。分组指的是相同key的value放到一个集合中。 排序后：<hello,1> <hello,1> <me,1> <you,1> 分组后：<hello,{1,1}><me,{1}><you,{1}>
(5)（可选）对分组后的数据进行归约。
Rduce阶段解说：把map阶段的结果进行汇总
（1）多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点上。
（2）对多个map的输出进行合并、排序。覆盖reduce函数，接收的是分组后的数据，实现自己的业务逻辑，<hello,2> <me,1> <you,1> 处理后，产生新的<k,v>输出。
（3）对reduce输出的<k,v>写到HDFS中。
参考文献：
https://www.cnblogs.com/laov/p/3434917.html
https://www.jianshu.com/p/f1e785fffd4d,
https://blog.csdn.net/qq_39783601/article/details/104928348，
https://blog.csdn.net/zcb_data/article/details/80402411,
https://www.cnblogs.com/ahu-lichang/p/6645074.html.