初识hadoop

hadoop做了什么事：

    提供了海量离线数据的存储，提供了海量离线数据的分布式计算，同时具备高可靠，高吞吐，分布式的特点。

hadoop核心组件：

    hdfs（分布式存储），mapreduce（分布式计算），yarn（资源调度平台）

①海量数据的存储：

    通过hdfs实现，hdfs是一个分布式的高可靠的存储框架，由namenode，datanode，secondarynamenode（hadoop2.x中已经不需要他来进行hdfs日志的合并）组成，hdfs主要完成的功能：元数据保存，副本存放，和文件切块。

    namenode主要进行一个元数据管理，包括内存中完整的元数据，磁盘中接近完整的元数据文件fsimage，以及记录的操作日志文件edits。

    datanode主要是对数据进行存储，通过配置的dfs.replication的值，来决定保存一个副本。

    secondarynamenode：namenode负责管理元数据（有几个副本，副本存放在那个datanode上），这些信息是保存在namenode节点的内存中的，但是当我们上传数据的时候，是先记录操作日志edits文件，这一步的目的是什么呢？是为了后续更新namenode元数据而做准备，如果namenode既提供访问服务，又要实时更新元数据的变化，这样他的负荷就会很大，有了这样的问题，我们就用一个secondarynamenode来定时向namenode请求到操作日志，并把fsimage（namenode中的元数据镜像文件）下载下来，在sn（secondarynamenode）上做合并，并发送给namenode，namenode更新内存中的元数据，并在edits中打标记，这个时间点的元数据就是最新的了。一句话总结：sn在nn失效的时候并不能代替nn对外提供服务，达到热备的效果，只能帮助nn合并操作日志，更新元数据。

②海量数据的分布式计算

    hadoop提供了一个mapreduce的分布式计算框架，计算过程分为map阶段和reduce阶段，此文章中不对mr进行详细分析，请参考后续博文

③高可靠

    hadoop2.x中引入了HA和联邦机制的概念，主要是namenode的高可靠，通过zookeeper去协调切换，做失活处理。