1.1 为什么会有大数据处理
传统模式已经满足不了大数据的增长
1）存储问题
传统数据库：存储亿级别的数据，需要高性能的服务器，往往这样的服务器非常贵，几十万一台；并且解决不了本质问题。只能存结构化数据。
大数据存储：通过分布式存储，将数据存到一台机器的同时，还可以备份到其他机器上，这样当某台机器挂掉了或磁盘坏掉了，在其他机器上可以拿到该数据，数据不会丢失（可备份）。 可横行扩展，磁盘不够可以挂磁盘，磁盘挂满了，添加机器挂磁盘。
2）分析数据问题
传统数据库： 当数据库存储亿级别的数据后，查询效率也下降的很快，查询不能秒级返回。
大数据分析：分布式计算。也是可以横行扩展。内存不够加内存，加机器加内存。
MapReduce：多次与磁盘进行交互，运行比较慢，如果对时间要求不高，可以考虑用。
批处理（运算的数据是有范围的，运算完一次，就代表该批次处理完成）
实时计算： 对时间的要求很高，基本可以快速处理完成。
实时计算的数据，没有范围的，会根据某个时间的范围进行计算。spark streaming ，storm, flink
1.2 什么是hadoop？
Hadoop项目是以可靠、可扩展和分布式计算为目的而发展而来的开源软件。
Hadoop 是Apache的顶级项目。
Apache：APACHE软件基金会，支持Apache的开源软件社区项目，为公众提供好的软件产品。
项目主页：http://hadoop.apache.org
大数据的主要特点（4V）
第一， 数据容量大（Volume）。从TB级别，跃升到PB级别。
第二， 数据类型繁多（Variety）。相对于以往便于存储的以文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、图片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求。
第三， 商业价值高（Value）。客户群体细分，提供定制化服务；发掘新的需求同时提高投资的回报率；降低服务成本。
第四， 处理速度快（Velocity）。这是大数据区分于传统数据挖掘的最显著特征。根据IDC的“数字宇宙”的报告，预计到2020年，全球数据使用量将达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。
hadoop的历史起源
创始人： Doug Cutting 和 Mike Cafarella
2002开始，两位创始人开发开源搜索引擎解决方案： Nutch
2004年受Google Lab 开发的 Map/Reduce 和 Google File System(GFS) 的启发，NDFS（ Nutch Distributed File System ）引入Nutch
2006年 在Yahoo!工作的Doug Cutting将这套大数据处理软件命名为Hadoop
hadoop核心组件
用于解决两个核心问题：存储和计算
核心组件
1）Hadoop Common：一组分布式文件系统和通用I/O的组件与接口（序列化、Java RPC和持久化数据结构）。
2）Hadoop Distributed FileSystem（Hadoop分布式文件系统HDFS）
分布式存储， 有备份， 可扩展
3）Hadoop MapReduce（分布式计算框架）
分布式计算，多台机器同时计算一部分，得到部分结果，再将部分结果汇总，得到总体的结果
可扩展4）Hadoop YARN（分布式资源管理器）
MapReduce任务计算的时候，运行在yarn上，yarn提供资源。
hadoop的框架演变
Hadoop1.0 的 MapReduce（MR1）：集资源管理和任务调用、计算功能绑在一起，扩展性较差，不支持多计算框架。
Hadoop2.0 的Yarn（MRv2）：将资源管理和任务调用两个功能分开，提高扩展性，并支持多计算框架 。
1）HDFS（Hadoop分布式文件系统）
HDFS是一种数据分布式保存机制，数据被保存在计算机集群上。数据写入一次，读取多次。HDFS 为HBase等工具提供了基础。
2）MapReduce（分布式计算框架）
MapReduce是一种分布式计算模型，用以进行大数据量的计算，是一种离线计算框架。
这个 MapReduce 的计算过程简而言之，就是将大数据集分解为成若干个小数据集，每个(或若干个)数据集分别由集群中的一个结点(一般就是一台主机)进行处理并生成中间结果，然后将每个结点的中间结果进行合并, 形成最终结果。
3）HBASE（分布式列存数据库）
HBase是一个建立在HDFS之上，面向列的NoSQL数据库，用于快速读/写大量数据。HBase使用Zookeeper进行管理，确保所有组件都正常运行。
4）Sqoop(数据ETL/同步工具）
Sqoop是SQL-to-Hadoop的缩写，主要用于传统数据库和Hadoop之间传输数据。
5）flume（分布式日志收集系统）
Flume是一个分布式、可靠、和高可用的海量日志聚合的系统，如日志数据从各种网站服务器上汇集起来存储到HDFS，HBase等集中存储器中。
6）Storm（流示计算、实时计算）
Storm是一个免费开源、分布式、高容错的实时计算系统。Storm令持续不断的流计算变得容易，弥补了Hadoop批处理所不能满足的实时要求。Storm经常用于在实时分析、在线机器学习、持续计算、分布式远程调用和ETL等领域。
7）Zookeeper（分布式协作服务）
Hadoop的许多组件依赖于Zookeeper，它运行在计算机集群上面，用于管理Hadoop操作。作用：解决分布式环境下的数据管理问题：统一命名，状态同步，集群管理，配置同步等。
8）Pig(ad-hoc脚本）
Pig定义了一种数据流语言—Pig Latin，它是MapReduce编程的复杂性的抽象，Pig平台包括运行环境和用于分析Hadoop数据集的脚本语言(Pig Latin)。
其编译器将Pig Latin 翻译成MapReduce 程序序列将脚本转换为MapReduce任务在Hadoop上执行。通常用于进行离线分析。
9）Hive（数据仓库）
Hive定义了一种类似SQL的查询语言(HQL),将SQL转化为MapReduce任务在Hadoop上执行。通常用于离线分析。
HQL用于运行存储在Hadoop上的查询语句，Hive让不熟悉MapReduce开发人员也能编写数据查询语句，然后这些语句被翻译为Hadoop上面的MapReduce任务。
10）Spark(内存计算模型)
Spark提供了一个更快、更通用的数据处理平台。和Hadoop相比，Spark可以让你的程序在内存中运行时速度提升100倍，或者在磁盘上运行时速度提升10倍。
11）Oozie(工作流调度器）
Oozi可以把多个Map/Reduce作业组合到一个逻辑工作单元中，从而完成更大型的任务。
12）Mahout（数据挖掘算法库）
Mahout的主要目标是创建一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序。
13）Hadoop YARN（分布式资源管理器）
YARN是下一代MapReduce，即MRv2，是在第一代MapReduce基础上演变而来的，主要是为了解决原始Hadoop扩展性较差，不支持多计算框架而提出的。
其核心思想：将MR1中JobTracker的资源管理和作业调用两个功能分开，分别由ResourceManager和ApplicationMaster进程来实现。
1）ResourceManager：负责整个集群的资源管理和调度
2）ApplicationMaster：负责应用程序相关事务，比如任务调度、任务监控和容错等
14）Tez(DAG计算模型)
一个运行在YARN之上支持DAG（有向无环图）作业的计算框架。
Tez的目的就是帮助Hadoop处理这些MapReduce处理不了的用例场景，如机器学习。
什么是集群，集群和服务的关系。
