快速掌握hadoop和集群安装
1、传统数据与大数据的对比
2、大数据服务器安装规范
系统硬盘
两块硬盘做一个RAID1
引导分区 200M
交换分区 可以不设置或设置的很小。因为在大数据中需要将其关闭
根分区 /（所有的空间）
数据硬盘
多个硬盘，每个硬盘独立挂载，有多少个硬盘，挂载多少个目录
数据硬盘优先不做RAID，必须做时，做RAID0
做RAID: 优点：数据的读写效率稍高，
缺点：不支持热插拔。一个硬盘损坏，整个服务器需要全部关机再能处理该硬盘。
不做RAID: 优点：支持热插拔。硬盘损坏即把即插。不用关机。
缺点：数据的读写效率稍低。
3、传统数据与大数据处理方式对比
4、大数据
1、分布式存储
2、分布式并行计算
3、移动程序到数据端
4、更前卫、更先进的实现思路
5、更细分的业务场景
6、更先进的硬件技术+更先进的软件技术技术快的原因
5、Hadoop内部组成
HDFS: 海量数据的存储
MapReduce: 海量数据的离线计算
Yarn: 集群资源调度
6、HDFS全称
Hadoop Distribute File System 即 Hadoop分布式文件系统
主要作用：即存储海量数据
为什么能存储海量数据？？
因为其空间大，空间大的原因为服务器多、磁盘多。且支持扩展
7、HDFS组成部分
管理者-Master NameNode 集群中有1-2个，用于管理集群中的工作者
工作者-Slave DataNode 集群中有多个 用于存储计算数据
辅助管理 SecondaryNameNode 集群中有0-1 只负责辅NameNode管理工作
8、HDFS存储数据的方式
以数据块的方式存储数据。默认一个数据块128M，该数值可以修改。
注意：这里的128仅仅是切分数据的阈值。
一个大的数据被切分成多个小的128M的数据块，分别存储在集群多个节点的不同位置。
数据副本机制
数据副本默认是3份。
一个数据存储到HDFS后，数据自动复制两份，共三份（三分相同的数据-数据冗余）
9、数据副本存放机制
第一个副本在客户端所在的节点（客户端也是集群内的节点），若客户端在集群外，那么根据一定的计算规则选一个节点。
第二份副本，在与第一份相同机柜，且不在同一个服务器的节点上。
第三份与第一份第二份不在同一个机柜，且逻辑距离（网络拓扑）最近的机柜选择一个节点存储。
10、什么是名字空间
名字空间：HDFS文件系统的目录树，目录结构。
11、NameNode的作用
1、维护目录树，维护命名空间。
2、负责确定指定的文件块到具体的Datanode结点的映射关系。（在客户端与Datanode之间共享数据）
3、管理Datanode结点的状态报告
12、DataNode的作用
1、负责管理它所在结点上存储的数据的读写，及存储数据。
2、向Namenode结点报告DataNode节点的状态。
3、通过流水线复制实现三份数据副本，
13、HDFS写入数据的流程
1、 client发起文件上传请求，通过RPC与NameNode建立通讯，NameNode检查目标文件是否已存在，父目录是否存在，返回是否可以上传；
2、 client请求第一个block该传输到哪些DataNode服务器上；
3、 NameNode根据配置文件中指定的备份数量及机架感知原理进行文件分配，返回可用的DataNode的地址如：A，B，C；
4、 client请求3台DataNode中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将整个pipeline建立完成，后逐级返回client；
5、 client开始往A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（默认64K），A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答。
6、 数据被分割成一个个packet数据包在pipeline上依次传输，在pipeline反方向上，逐个发送ack（命令正确应答），最终由pipeline中第一个DataNode节点A将pipelineack发送给client;
7、关闭写入流。
8、 当一个block传输完成之后，client再次请求NameNode上传第二个block到服务器。
14、HDFS读取数据的流程
1、客户端通过调用FileSystem对象的open()来读取希望打开的文件。
2、 Client向NameNode发起RPC请求，来确定请求文件block所在的位置；
3、 NameNode会视情况返回文件的部分或者全部block列表，对于每个
block，NameNode 都会返回含有该 block 副本的 DataNode 地址； 这些返回的 DN 地址，会按照集群拓扑结构得出 DataNode 与客户端的距离，然后进行排序，排序两个规则：网络拓扑结构中距离 Client 近的排靠前；心跳机制中超时汇报的 DN 状态为 STALE，这样的排靠后；
4、 Client 选取排序靠前的 DataNode 来读取 block，如果客户端本身就是DataNode,那么将从本地直接获取数据(短路读取特性)；
5、 底层上本质是建立 Socket Stream（FSDataInputStream），重复的调用父类 DataInputStream 的 read 方法，直到这个块上的数据读取完毕；
6、并行读取，若失败重新读取
7、 当读完列表的 block 后，若文件读取还没有结束，客户端会继续向NameNode 获取下一批的 block 列表；
8、返回后续block列表
9、 最终关闭读流，并将读取来所有的 block 会合并成一个完整的最终文件。
15、数据校验
1、数据第一次写入成功后，会进行数据校验，获得校验和。
2、数据读取前，对数据进行校验，获得校验和，计算得到的校验和与第一次上传后的校验和进行对比。
3、两个校验和相同表示数据相同，可以提读取数据
4、两个校验和不相同表示数据不相同，节点去其他节点读取
5、数据节点周期进行校验和计算，防止数据丢失。
16、DataNode节点丢失周期
DataNode节点长时间没有给NameNode汇报心跳，NameNode认为其丢失。
长时间（10分钟+30秒）： 2 * 超时时间 + 10 * 心跳周期