介绍
Hadoop 是一个开源框架，由 Apache Software Foundation 开发和维护，用于分布式存储和处理大规模数据集。Hadoop 允许用户通过简单的编程模型跨大型集群分布式处理大量数据。它特别适用于大数据应用，可以处理数千台服务器上的 PB 级数据。
Hadoop 的核心组件包括：
- Hadoop 分布式文件系统 (HDFS)：
- HDFS 是 Hadoop 的核心组件，用于存储大量数据。它将数据分布式存储在多个节点上，确保数据的可靠性和高效访问。
- HDFS 通过将数据分割成块（通常是 128MB 或 256MB）并存储在多个节点上来实现数据的分布式存储。每个数据块都会在多个节点上保存副本，以实现数据的容错和高可用性。
- Hadoop YARN：
- YARN（Yet Another Resource Negotiator）是 Hadoop 的集群管理工具，负责管理资源和调度作业。
- YARN 将资源管理和作业调度/监控分为两个独立的实体：ResourceManager 和 NodeManager。ResourceManager 负责分配资源给应用程序，而 NodeManager 负责监控容器并确保它们按预期运行。
- Hadoop MapReduce：
- MapReduce 是 Hadoop 的编程模型，用于大规模数据处理。
- MapReduce 将数据处理任务分解为两个主要阶段：Map 阶段和 Reduce 阶段。Map 阶段将输入数据分割成小块并处理成键值对，而 Reduce 阶段则对中间结果进行聚合和总结。
除了这些核心组件，Hadoop 生态系统还包括其他工具和框架，如：
- Hive：一个数据仓库基础设施，提供数据摘要、查询和分析。
- Pig：一个高级平台，用于创建 MapReduce 程序，用于数据分析。
- HBase：一个分布式、可扩展、面向列的存储系统，用于随机实时读/写访问大规模数据集。
- Spark：一个用于大规模数据处理的快速通用计算引擎。
- Flume 和 Sqoop：用于数据采集和迁移的工具。
- Oozie：一个工作流调度系统，用于协调 Hadoop 作业。
Hadoop 适用于各种行业和用例，包括数据分析、日志处理、机器学习、推荐系统等。由于其开源性质和强大的社区支持，Hadoop 已经成为大数据处理的事实标准之一。
HDFS
Hadoop Distributed File System (HDFS) 是 Hadoop 应用程序的主要数据存储系统，它是一个分布式文件系统，设计用来跨多个物理服务器运行，以便处理大量数据。HDFS 适合运行在通用硬件上，并且是高度容错的，适合部署在廉价的硬件上。
HDFS 的关键特性包括：
- 高容错性：
- HDFS 通过在多个节点上存储数据的副本（默认为三个副本），来确保数据的可靠性和可用性。
- 如果一个节点失败，HDFS 能够在其他的副本上继续处理数据，从而确保了系统整体的鲁棒性。
- 高吞吐量：
- HDFS 适合处理大量数据集，它的设计目标是优化大规模数据集的吞吐量，而不是单个文件的操作速度。
- 它通过将大文件分割成块（block），并将这些块分布存储在集群中的不同节点上来实现高吞吐量。
- 大数据集：
- HDFS 适用于存储和分析大规模数据集，它支持存储 PB 级别的数据。
- 它通过其架构设计，使得可以轻松扩展存储容量，只需将新的节点添加到集群中即可。
- 简单的一致性模型：
- HDFS 提供了类似于传统文件系统的接口，但它有一个简化的一致性模型，主要是为了提高数据吞吐量。
- 文件一旦被创建、写入和关闭，就不需要改变，这有助于实现高吞吐量。
- 硬件故障的检测和快速恢复：
- HDFS 能够检测并快速响应硬件故障，通过维护多个副本，它可以在检测到故障后立即使用其他副本继续工作。
HDFS 的组件：
- NameNode：
- NameNode 是 HDFS 的主节点，负责维护文件系统的命名空间，管理文件系统树及整个文件系统的元数据。
- 它不存储实际的数据，而是存储文件的元数据，如文件和目录的权限信息、块映射信息等。
- DataNode：
- DataNode 是 HDFS 的从节点，负责存储实际的数据块。
- 每个数据块默认存储三个副本，这些副本可能分布在不同的 DataNode 上。
- Secondary NameNode：
- Secondary NameNode 不是 NameNode 的备份或热备，而是帮助 NameNode 维护文件系统元数据的辅助节点。
- 它定期合并 NameNode 的编辑日志（edits log）和文件系统镜像（fsimage），以防止编辑日志过大。
HDFS 适合于需要高吞吐量的大规模数据集的应用场景，例如大数据分析、日志处理和机器学习。它的设计目的是为了简化大规模数据集的处理，使得用户和应用程序无需关心数据是如何分布在集群中的细节。
