Hadoop体系知识点梳理（目录）
手动反爬虫，禁止转载： 原博地址 https://blog.csdn.net/lys_828/article/details/118612375（CSDN博主：Be_melting）
知识梳理不易，请尊重劳动成果，文章仅发布在CSDN网站上，在其他网站看到该博文均属于未经作者授权的恶意爬取信息
核心点
（1）明确大数据开发的原理、思想和架构
（2）需要自己动手搭建环境：
- 学习阶段：使用Apache版本
- 生产开发：CDH、HDP、阿里、华为等
（3）开发程序时使用的语言：
- Hadoop：Java语言
- Spark：Scala语言、Java语言
- Flink：Scala语言、Java语言
第一章：Hadoop背景知识与起源
1、课程概述：目的：了解名词
2、实验环境：RedHat Linux 7.4 64位
Apache版本
Java JDK
一共需要5台虚拟机：注意：我的机器和你的机器的IP地址可能不一样
bigdata111 192.168.124.111
bigdata112 192.168.124.112
bigdata113 192.168.124.113
bigdata114 192.168.124.114
bigdata115 192.168.124.115
（1）关闭防火墙
systemctl stop firewalld.service
systemctl disable firewalld.service
（2）设置主机名 vi /etc/hosts
192.168.124.111 bigdata111
（3）安装JDK
mkdir tools/
mkdir training/
tar -zxvf jdk-8u181-linux-x64.tar.gz -C ~/training/
vi ~/.bash_profile
JAVA_HOME=/root/training/jdk1.8.0_181
export JAVA_HOME
PATH=$JAVA_HOME/bin:$PATH
export PATH
source ~/.bash_profile
3、大数据中几个基本概念：
（*）什么是大数据？核心问题
举例：（1）商品推荐 （问题1）大量的订单如何存储？
（问题2）大量的订单如何计算？
（2）天气预报 （问题1）大量的天气数据如何存储？
（问题2）大量的天气数据如何计算？
核心问题：（1）数据存储：分布式文件系统 HDFS
（2）数据计算：分布式计算模型MapReduce、Spark RDD、Flink分区
（A）离线计算、批处理
MapReduce、Spark Core、Flink DataSet
（B）实时计算、流处理
Storm、Spark Streaming、Flink DataStream
（*）数据仓库：本质上，就是一个数据库（Oracle、MySQL）；一般，只做查询select
Hadoop、Spark、Flink、NoSQL都可以看成是数据仓库的一种实现方式。
数据仓库的搭建过程（画图）
数据仓库又是一种OLAP的应用
（*）OLTP、OLAP
OLTP：online transaction processing 联机事务处理：insert update delete commit rollback
OLAP：online analytic processing 联机分析处理：select
4、（重点）Google的三篇论文：三驾马车-----> 原理
（1）GFS：Google File System ----> HDFS：Hadoop Distributed File System
画图：分布式文件系统的基本原理
HDFS：主节点：NameNode
从节点：DataNode
（2）MapReduce分布式计算模型 ----> 问题来源：PageRank（网页排序）问题
Page 网页
Rank 分数
举一个更简单一点的例子，来解释MapReduce计算模型（MapReduce编程模型）
Demo：wordcount
位置：$HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.3.jar
命令：hadoop jar hadoop-mapreduce-examples-2.7.3.jar wordcount /input/data.txt /output/0223
Yarn：主节点：ResourceManager
从节点：NodeManager
（3）BigTable大表 -----> NoSQL数据库：HBase
回顾：关系型数据库，需要遵循范式的要求。范式的优点是：减少数据冗余
范式的缺点：影响性能
关系型数据库是行式数据库，适合insert update select
大表思想：把所有的数据存入一张表中。不遵循范式要求。
通过牺牲空间，提高性能。
HBase是列式数据库，适合做select
对比：Oracle的表结构和HBase的表结构
第二章：搭建Hadoop环境
1、Hadoop的目录结构
2、Hadoop的本地模式
3、Hadoop的伪分布模式
4、免密码登录的原理和配置
5、Hadoop的全分布模式
第三章：HDFS体系架构
1、HDFS分布式文件系统
（1）NameNode：名称节点
（2）DataNode：数据节点
（3）SecondaryNameNode：第二名称节点
2、Yarn：资源任务调度的容器（平台），执行MapReduce程序
（1）ResourceManager
（2）NodeManager
Yarn如何进行资源的分配：三种分配的方式
3、HBase的体系架构和表结构
第四章：HDFS
1、操作HDFS：Web Console、命令行、Java API
2、HDFS的原理解析（画图）
（1）数据上传的过程和原理
（2）数据下载的过程和原理
3、HDFS的高级功能
（1）回收站
（2）快照：Snapshot，是一种备份
（3）配额：Quota，名称配额、空间配额
（4）安全模式：safemode
（5）权限管理：类似Linux
4、HDFS的集群简介：联盟、HA
5、底层原理的实现
（1）代理对象Proxy
（2）RPC：remote procedure call 协议
第五章：MapReduce
1、经典案例：单词计数WordCount，实现这个过程
2、功能特性
（1）序列化：Writable接口
（2）排序
（3）分区：非常重要，画图来解释
（4）Combiner合并：优化的方式
（5）MapReduce的核心：Shuffle洗牌
3、MapReduce的编程案例
（1）数据去重
（2）多表查询：类似SQL语句，补充讲一下数据库中的多表查询
（3）实现倒排索引：原理会在HDFS中讲
（4）使用MRUnit进行MapReduce的单元测试
第六章：Hbase
1、表结构和体系架构
2、搭建HBase的环境
（1）本地模式
（2）伪分布模式
（3）全分布模式
（4）HA
3、操作HBase：Web Console、命令行、Java API
4、HBase的过滤器：类似where条件
5、HBase中的MapReduce
第七章：Hive
都是Hadoop中的数据分析引擎，支持SQL语句
第八章：Pig
都是Hadoop中的数据分析引擎，支持PigLatin
第九章：Sqoop
实现数据采集，采集的是关系型数据库，基于JDBC
第十章：Zookeeper与HA
1、什么是ZooKeeper？功能特性、环境搭建
2、基于ZooKeeper实现Hadoop的HA：解决大数据主从架构的单点故障问题
3、HDFS的联盟：Federation
第十一章：HUE
基于Web的管理工具