前言
当今世界，科学技术飞速发展，人们不知不觉的进入了大数据时代。而什么是大数据时代，大数据的发展是什么？这一系列的问题其实很抽象，很难一言半语的概括。但是，在这大数据时代，必须掌握相应的技术作为支撑，而Hadoop就是其中的核心架构。
【hadoop概述】
一、hadoop是什么？
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储
而作为一个开源框架，可编写和运行分布式应用处理大规模数据。Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，而MapReduce则为海量的数据提供了计算。
简单概况就是hadoop是一个分布式系统的基础架构，通过分布式来进行高速运算和存储。
二、用来干什么？
主要用来解决海量数据存储和海量数据运算的问题
三、Hadoop特点
- 高可靠性：Hadoop按位存储和处理数据的能力值得人们信赖。
- 高扩展性：Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。
- 高效性：Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。
- 高容错性：Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。
- 低成本：与一体机、商用数据仓库以及QlikView、Yonghong Z-Suite等数据集市相比，Hadoop是开源的，项目的软件成本因此会大大降低。
四、hadoop组成
commons:辅助工具
hdfs：一个分布式高吞吐量，高可靠的分布式文件系统
mapreduce 一个分布式离线计算框架
yarn：作业调度和资源管理的框架。
五、集群模式
单节点模式，伪集群，完整集群。三个模式
HDFS 学习
一、hdfs是什么？
hdfs一个分布式高吞吐量，高可靠的分布式文件系统。
二、hdfs优缺点：
优点：
【1】高容错性，数据自动保存多个副本，一个副本丢失后可以自动恢复
【2】适合大数据的处理
数据可以达到gb,Tb,pb级别，文件处理可以达到百万以上的规模
【3】可以构建在廉价的机器上面，通过多副本来实现可靠性
缺点：
【1】不适合低延时数据访问，比如毫秒级别做不到
【2】无法高效对大量小文件进行存储
【3】不支持文件的随机修改，仅支持文件的追加
三、hdfs的组成：
Client:客户端
【1】文件切分。文件上传时将文件切成一个个block块
【2】与NameNode交互，获取文件的位置信息
【3】与DataNode交互，读取或写入数据
【4】client提供一些命令来管理Hdfs，比如启动或者关闭
【5】client可以通过命令来访问Hdfs
NameNode就是Master，它是一个主管、管理者
【1】管理数据块的原信息
【2】配置副本策略
【3】处理客户端请求
DateNode
【1】存储实际的数据块
【2】执行数据块的读写操作
econdaryNameNode：并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务
【1】辅助NameNode，分担其工作量
【2】定期合并Fsimage和Edits，并推送给NameNode；
【3】在紧急情况下，可辅助恢复NameNode。
四、hdfs文件写入流程
（1） 客户端通过Distributed FileSystem模块向NameNode请求上传文件，NameNode检查目标文件是否已存在，父目录是否存在。
（2） NameNode返回是否可以上传。
（3） 客户端请求第一个 block上传到哪几个datanode服务器上。
（4） NameNode返回3个datanode节点，分别为dn1、dn2、dn3。
（5） 客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。
（6） dn1、dn2、dn3逐级应答客户端。
（7） 客户端开始往dn1上传第一个block（先从磁盘读取数据放到一个本地内存缓存），以packet为单位，dn1收到一个packet就会传给dn2，dn2传给dn3；
（8） 当一个block传输完成之后，客户端再次请求NameNode上传第二个block的服务器。（重复执行3-7步）。
五、hdfs 读文件流程
（1） 客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。
（2） 挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
（3） DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以packet为单位来做校验）。
（4） 客户端以packet为单位接收，先在本地缓存，然后写入目标文件。
六、NN与2NN的工作机制
（1） 第一阶段：NameNode启动
a) 第一次启动NameNode格式化后，创建fsimage和edits文件。如果不是第一次启动，直接加载编辑日志和镜像文件到内存。
b) 客户端对元数据进行增删改的请求。
c) NameNode记录操作日志，更新滚动日志。
d) NameNode在内存中对数据进行增删改查。
（2） 第二阶段：Secondary NameNode工作
a) Secondary NameNode询问NameNode是否需要checkpoint。直接带回NameNode是否检查结果。
b) Secondary NameNode请求执行checkpoint。
c) NameNode滚动正在写的edits日志。
d) 将滚动前的编辑日志和镜像文件拷贝到Secondary NameNode。
e) Secondary NameNode加载编辑日志和镜像文件到内存，并合并。
f) 生成新的镜像文件fsimage.chkpoint。
g) 拷贝fsimage.chkpoint到NameNode。
h) NameNode将fsimage.chkpoint重新命名成fsimage。
NN和2NN工作机制详解：
fsimage：namenode内存中元数据序列化后形成的文件。
edits：记录客户端更新元数据信息的每一步操作（可通过Edits运算出元数据）。
namenode启动时，先滚动edits并生成一个空的edits.inprogress，然后加载edits（归档后的）和fsimage（最新的）到内存中，此时namenode内存就持有最新的元数据信息。client开始对namenode发送元数据的增删改查的请求，这些请求的操作首先会被记录在edits.inprogress中（查询元数据的操作不会被记录在edits中，因为查询操作不会更改元数据信息），如果此时namenode挂掉，重启后会从edits中读取元数据的信息。然后，namenode会在内存中执行元数据的增删改查的操作。
由于edits中记录的操作会越来越多，edits文件会越来越大，导致namenode在启动加载edits时会很慢，所以需要对edits和fsimage进行合并（所谓合并，就是将edits和fsimage加载到内存中，照着edits中的操作一步步执行，最终形成新的fsimage）。Secondarynamenode:帮助namenode进行edits和fsimage的合并工作。
secondarynamenode首先会询问namenode是否需要checkpoint（触发checkpoint需要满足两个条件中的任意一个，定时时间到和edits中数据写满了）。直接带回namenode是否检查结果。secondarynamenode执行checkpoint操作，首先会让namenode滚动edits并生成一个空的edits.inprogress，滚动edits的目的是给edits打个标记，以后所有新的操作都写入edits.inprogress，其他未合并的edits和fsimage会拷贝到secondarynamenode的本地，然后将拷贝的edits和fsimage加载到内存中进行合并，生成fsimage.chkpoint，然后将fsimage.chkpoint拷贝给namenode，重命名为fsimage后替换掉原来的fsimage。namenode在启动时就只需要加载之前未合并的edits和fsimage即可，因为合并过的edits中的元数据信息已经被记录在fsimage中。
六、DataName工作机制
（1） 一个数据块在DataNode上以文件形式存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。
（2） DataNode启动后向NameNode注册，通过后，周期性（1小时）的向NameNode上报所有的块信息。
（3） 心跳是每3秒一次，心跳返回结果带有NameNode给该DataNode的命令如复制块数据到另一台机器，或删除某个数据块。如果超过10分钟没有收到某个DataNode的心跳，则认为该节点不可用。