（hadoop安装方法：http://blog.csdn.net/wangjia55/article/details/53160679这里不再累述）
hadoop是针对大数据设计的一个计算架构。如果你有几百TB的数据需要检索，你在控制终端敲下命令，计算机会向几百分布式台云服务器同时发布命令，使他们开始运行。并且把结果返回给你
hadoop分为大概念，
HDFS（分布式文件系统）+MapReduce(分布式计算模型）
HDFS 优点
适合大文件的存储，并且由备份策略，有比较好的容错和恢复机制，支持流式数据访问，一次写入，多次读取最高效
HDFS 缺点
不适合大量小文件的存储
不适合并发写入，不支持文件的随机修改（只能后续添加）
不适合随机读等低延时的访问方式
存储的三个概念：
block 是一个存储的数据块，hadoop的数据存储是以数据块为单位的（而非文件）（这样的有点是易于备份，而且简化了数据空间的设计）这里有点类似于磁盘的数据块，
NameNode 是一个管理节点，它管理文件系统的命名空间，存放文件数据（这个节点相当于一个枢纽，它的保护措施是，创建一个备用节点，NameNode和备用节点的内容时刻保持一致，当NameNode崩溃的时候，会马上启用另一个节点）
维护文件系统所有的文件和目录，文件与数据块之间的映射
记录着每个文件中各个块所在的数据节点的信息。
DataNode 是数据块的实际存储点，也是工作节点，存储并检索数据块，向NameNode时刻更新所存储的数据块的列表
文件的写流程：当用户需要写一个文件进去时候，先向namenode发送请求，然后namenode把分配的datanode1、datanode2、datanode3的地址和凭证构成的存储单（假设这个清单上要求数据备份在2和3节点上）返回给用户端，用户端开始对文件进行分块，然后把第一个数据块和相应存储单的发给datanode1，datanode1存储完了以后，会向namenode发送存储报告，并且把这个数据块的信息和相应的数据块存储单转发给datanode2来备份······datanode2再把数据块转发给datanode3（也就是说datanode会自动通知其他几个datanode完成数据的备份操作），相应的存储完以后，节点2和节点3也会发送相应存储报告。
hdfs是流式数据访问，也就是说，一个数据块一旦被写入，块内的数据就不能再做随机修改，如果要修改，删除这个磁盘块，然后再把整个块的数据重新写入，（每次访问也只能从块的首部开始访问）。
它不支持用户并发的写相同的文件（不想sql数据库文件一样，可以让多个线程并发的读或者写）
namenode会找距离最近的一个datanode节点的信息
文件的读流程也相似，这里不再累述
Hadoop默认的调度器是基于队列的FIFO调度器：
所有用户的作业都被提交到一个队列中，然后由JobTracker先按照作业的优先级高低，再按照作业提交时间 的先后顺序选择将被执行的作业。
优点: 调度算法简单明了，JobTracker工作负担轻。
缺点: 忽略了不同作业的需求差异。
Fair Scheduler(公平调度器)：
1：多个Pool，Job需要被提交到某个Pool中；
2：每个pool可以设置最小 task slot（猜测最小的job数），称为miniShare
3：FS会保证Pool的公平，Pool内部支持Priority（优先级）设置，支持资源抢占（优先级）
hdfs的shell命令 ls，cat， mkdir，rm，chmod ，chown等
hdfs的文件交互命令 copyFromLocal，copToLocal,get,put
常用命令：https://www.cnblogs.com/gaopeng527/p/4314215.html
MapReduce计算框架
mapreduce 计算框架使用的是分而治之的概念，一个大任务分成多个小的子任务（map），执行完，从map端输出后，会进行网络混洗，经过shuffle层后进入reduce（在shuffle层混洗时，如果数据量较大，会造成很大的网络开销，故可以先按照key先进行一轮排序与合并，再开始网络混洗，这个过程就combine），合并结果（reduce）
2.0以前的框架的结构学习笔记：
这里面有两个概念JobTracker和TaskTracker，
JobTracker 对应于 NameNode
TaskTracker 对应于 DataNode
JobTracker介绍
首先用户程序(JobClient)提交了一个job,job的信息会发送到JobTracker,JobTracker是Map-reduce框架的中心，会先将任务拆分成多个map任务（也就是子任务），分发给map层的各个datanode，等计算完成以后，结果会被发送到 reduce层的各个datanode进行合并同时他还需要与集群中的机器定时通信heartbeat（也就是心跳协议）,需要管理哪些程序应该跑在哪些机器上，需要管理所有job失败、重启等操作。
JobTracker后台程序用来连接应用程序与Hadoop。由JobTracker决定哪个文件将被处理,每个Hadoop集群只有一个JobTracker，一般运行在集群的Master节点上
TaskTracker介绍
TaskTracker是Map-Reduce集群中每台机器都有的一个部分，他做的事情主要是监视自己所在机器的资源情况。
TaskTracker同时监视当前机器的tasks运行状况。TaskTracker需要把执行状态和任务进度通过heartbeat发送给JobTracker,JobTracker会搜集这些信息以给新提交的job分配运行在哪些机器上。
MapReduce的容错机制
1重复执行，当一个datanode执行任务失败的时候，jobtracker会自动命令他重新执行，一般默认现需重新执行4次都失败的话，放弃这个节点，寻找一个和它存储内容相同的节点，继续执行，
2.推测执行，当一个datanode执行速度特别慢的时候，jobtracker则推测它出现了问题，jobtracker也会找一台和它存储相同内容的节点，来一起执行，谁先执行完，就终止另一台的执行。
新旧对比
yarn
yarn是hadoop2.0之后的版本的一个总的资源管理器，yarn中有三个概念，ResourceManager ，ApplicationMaster，和NodeManager
ResourceManager 负责调度资源，并且启动和监控ApplicationMaster和NodeManager，
ResourceManager在执行过程中不对task进行监控和状态跟踪(而是只监控ApplicationMaster和)。同样，它也不能重启因应用失败或者硬件错误而运行失败的任务。
ApplicationMaster为MapReduce类型的程序申请资源，并且分配给内部任务。负责数据的切分，监控任务的执行和容错，
NodeManager，管理单个节点的资源，处理ResourceManager的命令，处理来自ApplicationMaster的命令。NodeManager是每一台机器框架的代理，监控应用程序的资源使用情况（CPU 内存 磁盘 网络）并且向调度器汇报。
注意：yarn中jobtracker所负责的任务拆分成两个部分，资源的分配ResourceManager和对每个独立任务ApplicationMaster的管理：ResourceManager仍然运行在namenode上，负责监控所有datanode，而任务管理方面：每一个任务都会独立成立一个ApplicationMaster，这个ApplicationMaster不一定运行在哪个DataNode上，这样我们就可以设置用相对闲置的DataNode来运行ApplicationMaster。
Container是Yarn为资源分配提出的一个方案，当ApplicationMaster向ResourceManager申请资源时，ResourceManager返回的资源就被描述为container，一般而言，一个container只能用于执行一个task（一个job是一个总的任务，它会被分割成多个task，每一个task在一个datanode上执行），目前是一个框架，仅仅提供Java虚拟机内存的隔离，hadoop团队的设计思路应该后续能支持更多的资源调度和控制。
ResourceManager内部运行原理：
可参看：http://blog.csdn.net/zcc_0015/article/details/34921981
上图描述的6个步骤解释如下：
步骤1.ApplicationMasterLauncher与对应的NodeManager联系，启动ApplicationMaster。
步骤2.ApplicationMasterLivenessMonitor添加监控列表，启动对ApplicationMaster的监控列表，启动对ApplicationMaster的监控。
步骤3.ApplicationMaster启动后，向ApplicationMasterService注册，公布自己的URL,访问接口等。
步骤4.ApplicationMaster定期向ApplicationMasterService发送心跳，及时更新自己的信息，便于RM进行管理。
步骤5.当application job执行完毕后，ApplicationMaster向ApplicationMaster Service报告执行完成。
步骤6.ApplicationMaster Service 通知ApplicationMasterLivenessMonitor从监控列表中删除ApplicationMaster，释放资源
- ApplicationMaster存活监控
帮助管理活跃的及死的/不响应ApplicationMaster
map-shuffle-reduce工作原理（其中假设每个map中含有三个数据块，不同颜色的方块表示不同的分割区间。）
http://xxx.xxx.xxx.xxx:50070/查看hadoop各节点的运行情况，（其中xxx.xxx.xxx.xxx指的是所填的ip，必须是namenode的ip）
一个mapreduce作业中，partition的数量和reduce的数量和最终输出结果文件（如part-r-0001）的数量是相等的（小细节：在一个reduce中，所有数据都会按照key升序排列，故如果part输出文件包含的key值，则这个文件一定是有序的。）
hadoop的分布式缓存机制
在执行mapreduce时，可能mapper之间需要共享一些信息，如果信息量不大，可以将其从hdfs加载到内存中（每个datanode上的内存里会加载相同的共享数据），这就是hadoop的分布式缓存机制。（如果数据量太大可以将共享数据分批缓存重复执行作业）
hadoop生态圈
简要介绍，HBase是一个高可靠，高性能，面向列，可伸缩，实时读写的分布式数据库，利用hdfs作为文件存储系统，支持MR程序读取数据，存储非结构化和半结构化以及结构化的数据，column family 列族，多个列的集合，最多不超过三个
spark是一个基于内存的分布式大数据并行计算框架，spark也是MapReduce的替代方案，兼容hdfs，hive等数据源，spark抽象出分布式内存存储数据结构，弹性分布式数据集RDD,基于事件驱动，通过线程池复用线程提高性能