• HDFS：分布式文件系统
  • MAPREDUCE：分布式运算程序开发框架
  • HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具
  • HBASE：基于HADOOP的分布式海量数据库
  • ZOOKEEPER：分布式协调服务基础组件
  • Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
  • Oozie：工作流调度框架
  • Sqoop：数据导入导出工具
  • Flume：日志数据采集框架

一、HDFS

概述

HDFS的全称是Hadoop Distributed File System易于扩展的 分布式文件存储系统 ，运行在大量普通廉价机器上，提供容错机制，为大量用户提供性能不错的文件存取服务 ，
它的设计目标是

  1. 自动快速检测应对硬件错误
  2. 流式访问数据
  3. 移动计算比移动数据本身更划算
  4. 简单一致性模型
  5. 异构平台可移植

它的特点：包括优点和缺点两个方面
优点：
6. 高可靠性：Hadoop按位存储和处理数据的能力值得人们信赖;
7. 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。
8. 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。
9. 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。

缺点：
10. 不适合低延迟数据访问。
11. 无法高效存储大量小文件。
12. 不支持多用户写入及任意修改文件。

hdfs的核心设计理念是

分而治之：将大文件、大批量文件，分布式存放在大量服务器上，以便于采取分而治之的方式对海量数据进行运算分析；

  • 为各类分布式运算框架（如：mapreduce，spark，tez，……）提供数据存储服务
  • hdfs更具体描述
    首先，它是一个文件系统，用于存储文件，通过统一的命名空间——目录树来定位文件
    其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色；

它的重要特性包括

  1. HDFS中的文件在物理上是分块存储（block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x版本中是128M，老版本中是64M。
  2. HDFS文件系统会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data。
  3. 目录结构及文件分块信息(元数据)的管理由namenode节点承担——namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及所在的datanode服务器）。
  4. 文件的各个block的存储管理由datanode节点承担— datanode是HDFS集群从节点，每一个block都可以在多个datanode上存储多个副本（副本数量也可以通过参数设置dfs.replication）。
  5. HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改 。
hdfs shell操作


HDFS工作机制概述