[大数据]大数据基础day1

HDFS（Hadoop分布式文件系统）

一种旨在在商品硬件上运行的分布式文件系统

• HDFS具有高度的容错能力，旨在部署在低成本硬件上。
• HDFS提供对应用程序数据的高吞吐量访问，并且适用于具有大数据集的应用程序
• HDFS放宽了一些POSIX要求，以实现对文件系统数据的流式访问。
• HDFS最初是作为Apache Nutch Web搜索引擎项目的基础结构而构建的。
• HDFS是Apache Hadoop Core项目的一部分。

字典与文件系统

文件系统定义

文件系统是一种存储和组织计算机数据的方法，它使得对其访问和查找变得容易。

文件名

在文件系统中，文件名是用于定位存储位置。

元数据（Metadata）

保存文件属性的数据，如文件名，文件长度，文件所属用户组，文件存储位置等。

数据块（Block）

存储文件的最小单元。对存储介质划分了固定的区域，使用时按这些区域分配使用。

HDFS架构包含三个部分

1. Client：支持业务访问HDFS，从NameNode ,DataNode获取数据返回给业务。多个实例，和业务一起运行
2. NameNode：用于存储、生成文件系统的元数据。运行一个实例
3. DataNode：DataNode用于存储实际的数据，将自己管理的数据块上报给NameNode ，运行多个实例

HDFS写数据流程（确保一致性）

1.提出申请 -2.创建元数据 -3.数据拆分 -4.数据写入(第一个节点写入 其他节点复制)-5.ack检查包 -6.关闭接口 -7.元数据固化

HDFS读数据（确保效率性）

1.提出申请 -2.查找元数据-3读取 (就近原则)- 4.关掉

HDFS（高可用）HA

利用ZooKeeper实现主备NameNode（解决单点故障问题）
Zookeeper主要用于存储HA下状态文件
双NameNode 保证同一时间总有一个节点正常工作
ZKFC(ZooKeeper Failover Controller)用于监控NameNode节点的主备状态 通过心跳机制 向上层报告自己的状态每3s 发送一条消息（共12条消息）
元数据 持久化：通过快照和日志文件
联邦机制：并行设立多个NameNode节点
副本机制：3副本保证数据安全
同分布 ：减少无效的io操作

HBase

hbase是采用java语言编写的一款开源的基于HDFS的 nosql型数据库,不支持SQL.没有表关系,数据最终是存储在HDFS上,在启动hbase集群之前,必须要先启动HDFS

存储模式：列存储
不支持事务，仅支持单行事务
易于扩展

三种读取数据的方式

1. 基于rowkey（行键）的读取
2. 基于rowkey的range范围的读取
3. 扫描全表数据

HBase的表的三个特征

1. 储量大：一个表可存储上十亿行数据，拥有上百万列
2. 面向列：基于列族管理操作，进行列式存储方案
3. 稀疏性：对于NULL值的数据不占用任何磁盘空间，对效率没有任何影响表关系松散

HBase架构

HBase读取数据的流程

1. 客户端提出申请
2. 查找数据存放的位置 (在哪个region中)
3. 调用get scan 对region进行扫描

HBase写入数据的流程

1. 提出申请
2. 明确分区(生成元数据表)
3. 将数据分配到HRegionServer
4. 先写日志 hlog 然后再写region
5. 固化到hdfs

mapreduce

map --生成键值对
reduce – 做聚合操作
洗牌机制 – 小范围的聚合 数据节点之间的聚合