大数据学习记录（hadoop hive flume azkaban sqoop）
1. hadoop对海量数据进行分布式处理
2. 核心组件：HDFS（分布式文件系统）、YARN（运算资源调度系统）、MAPREDUCE（分布式运算编程框架）
3. HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具
4. HBASE：基于HADOOP的分布式海量数据库
5. Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
6. Oozie/Azkaban：工作流调度框架
7. Sqoop：数据导入导出工具
8. Flume：日志数据采集框架
hadoop理解记录：
1. hadoop在windows下的搭建可以参考一下本地配置：https://blog.csdn.net/u010993514/article/details/82914827；
2. java api中使用hadoop的copyFromLocalFile方法，需要目录存在。hdfs dir一定要存在，否则命令不会执行；
3. reduce的shuffle机制：就是将maptask输出的处理结果数据，分发给reducetask，并在分发的过程中，对数据按key进行了分区和排序；
4. Yarn是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台，而mapreduce等运算程序则相当于运行于操作系统之上的应用程序；
5. mapreduce对于一个文件分片时，在分片末尾会不会有一条记录被拆开，从而导致map端在输入的时候，会不会有一行记录是不完整的疑惑？其实这肯定是不可能，如果这样的问题没有解决，那在生产生活中肯定是经常遇到，所以hadoop源码中肯定有这方面的处理。即使跨split.跨block也不能阻止它完整读取一行数据的决心。如果start！=0也就是不是第一个分片的时候，都要默认从第二行的开始位置读起，这里start更新为第二行的起始位置；
hive理解记录：
1. Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能；
2. Hive利用HDFS存储数据，利用MapReduce查询数据；
3. hive内置函数和用户自定义函数：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF#LanguageManualUDF-OperatorsprecedencesOperatorsPrecedencesOperatorsPrecedences；
Flume理解记录：
1. Flume分布式系统中最核心的角色是agent，每一个agent相当于一个数据传递员，内部有三个组件：
Source：采集源，用于跟数据源对接，以获取数据；Sink：下沉地，采集数据的传送目的，用于往下一级agent传递数据或者往最终存储系统传递数据；Channel：angent内部的数据传输通道；
工作流调度框架理解记录：
1. 为了组织复杂执行计划，需要一个工作流调度系统来调度执行（oozie、azkaban）；
2. Azkaban定义了一种KV文件格式来建立任务之间的依赖关系，并提供一个易于使用的web用户界面维护和跟踪工作流;
sqoop理解记录：
1. sqoop是Hadoop和关系数据库服务器之间传送数据的工具。导入数据：MySQL，Oracle导入数据到Hadoop的HDFS、HIVE、HBASE等数据存储系统；导出数据：从Hadoop的文件系统中导出数据到关系数据库；
2. mysql导入到hive：
./sqoop import --connect jdbc:mysql://localhost:3306/userdb --username root --password root --where "id ='1201'" --table emp --hive-import --m1
3. mysql导出到hdfs、mysql从hdfs导入
./sqoop import --connect jdbc:mysql://localhost:3306/userdb --username root --password root (--where "id ='1201'") --direct --table emp --target-dir /app/sqoop/wherequery -m1
./sqoop export --connect jdbc:mysql://localhost:3306/userdb --username root --password root --table emp2 --export-dir /app/sqoop/
4. 查看导出的文件：
hadoop fs -cat /app/sqoop/wherequery/part-*
5. Sqoop提供的--fields-terminated-by选项可以支持指定自定义的分隔符；
6. Sqoop的原理其实就是将导入导出命令转化为mapreduce程序来执行，sqoop在接收到命令后，都要生成mapreduce程序；