hadoop基本概念

在互联网技术发展到现今阶段，大量日常、工作等事务产生的数据都已经信息化，人类产生的数据量相比以前有了爆炸式的增长，以前的传统的数据处理技术已经无法胜任，需求催生技术，一套用来处理海量数据的软件工具应运而生，这就是大数据！

 

换个角度说，大数据是：

1、有海量的数据

2、有对海量数据进行挖掘的需求

有对海量数据进行挖掘的软件工具（hadoop、spark、storm、flink、tez、impala......）

 

什么是hadoop

1hadoop有三个核心组件：

1.分布式文件系统：HDFS--实现将文件分布式存储在很多的服务器上

2.分布式运算编程框架：MAPREDUCE--实现在很多机器上分布式并行运算

3.分布式资源调度平台：YARN--帮用户调度大量的mapreduce程序，并合理分配运算资源

 

HDFS整体运行机制

hdfs：分布式文件系统

hdfs有着文件系统共同的特征

1.有目录结构，顶层目录是: /

2.系统中存放的就是文件

3.系统可以提供对文件的:创建、删除、修改、查看、移动等功能

 

hdfs跟普通的单机文件系统有区别：

1、单机文件系统中存放的文件，是在一台机器的操作系统中

2、hdfs的文件系统会横跨N多的机器

3、单机文件系统中存放的文件，是在一台机器的磁盘上

4、hdfs文件系统中存放的文件，是落在n多机器的本地单机文件系统（hdfs是一个基于linux本地文件系统之上的文件系统）

 

hdfs 的工作机制:

1、客户把一个文件存入hdfs，其实hdfs会把这个文件切块后，分散存储在N台linux机器系统中（负责存储文件块的角色:data node）<准确来说:切块的行为是由客户端决定的>

2、一旦文件被切块存储，那么，hdfs中就必须有一个机制，来记录用户的每一个文件的切块信息，及每一块的具体存储机器（负责记录块信息的角色是：name node）

3、为了保证数据的安全性，hdfs可以将每一个文件块在集群中存放多个副本（到底存几个副本，是由当时存入该文件的客户端指定的）

综述：一个hdfs系统，由一台运行了namenode的服务器，和N台运行了datanode的服务器组成！