大数据期末总结

一、这学期分别接触了Linux，hadoop，hbase，hive

1、Linux

Linux是一款安全性十分良好的操作系统。不仅有用户层面的安全性，还有目录操作层面的安全性，本次课我们要学习Linux的用户操作和目录权限操作：读权限、写权限和执行权限。另外，常用目录操作也应该掌握，对于我们学习Hadoop奠定一个良好的Linux操作基础。

2、Hadoop

hadoop的核心架构 HDFS是按照Master和Slave的结构。由namenode和datanode构成，namenode通过datanode的heartbeat(“心跳”)确定节点正常。namenode管理datanode的block信息。同时管理client对集群的访问。还有一个secondnamenode实现namenode的冷备份，根据snapshot(“快照”)和checkpoint(“监测点”)实现和namenode的一致性，在namenode节点dead时secondnamenode替代namenode的工作。datanode保存hadoop的数据，datanode的基本数据单元是block，每个block大小为64M。因此可知hadoop是用来存储大文件的。小文件的读写会很消耗hadoop内存。

mapreduce 一种云计算的核心计算模式，一种分布式运算技术，也是简化的分布式编程模式，它主要用于解决问题的程序开发模型，也是开发人员拆解问题的方法。

3、hbase

hbase是列族数据库底层依赖于hdfs。hbase是按照Master和Slave的结构。分为HMaster和regionserver。hbase中hmaster主要管理-ROOT-和.META.表的数据。-ROOT-只有一个是不可分割的。存储了.META.的索引信息，而.META.存储了regionserver中region的索引信息。所以是采用了三级索引思想。regionserver中是存储数据的地方，而regionserver中有可以有多个region和一个Hlog。每个region里面又分为多个store，store存储的列族数据。store中有memstore和storefile。memstore达到阀值时，将数据刷写成storefile中。Hregion是以完整的记录行存储。hbase内部中行键是有序的。client只能根据行键key读取数据。hbase中内部数据是<key,value>存储。
hbase中最小单元是hfile，HFile中KeyValue数据的存储格式，HFile是Hadoop的二进制格式文件，实际上StoreFile就是对HFile做了轻量级包装，即StoreFile底层就是HFile

hbase中还内置有zookeeper(你也可以不使用内置的zookeeper)，Zookeeper Quorum存储-ROOT-表地址、HMaster地址
HRegionServer把自己以Ephedral方式注册到Zookeeper中，HMaster随时感知各个HRegionServer的健康状况
Zookeeper避免HMaster单点问题
client访问过程 : client -> zookeeper -> -ROOT- > .META.-> 用户数据表

4、hive

hive是数据仓库，hive底层依赖于hadoop，它的sql解析是通过mapreduce任务完成的。hive的两个核心服务是metastore和hiveserver。

数据访问和存储是采用sql方式访问的。hiveQL是hive的核心。它不支持update和delete

（1）HQL中对查询语句的解释、优化、生成查询计划是由Hive完成的
（2）所有的数据都是存储在Hadoop中
（3）查询计划被转化为MapReduce任务，在Hadoop中执行（有些查询没有MR任务，如：select * from table）
（4）Hadoop和Hive都是用UTF-8编码的

二、总结

大数据是指数据规模大，尤其指因为数据形式多样、非结构化特征明显，导致数据存储、处理和挖掘异常困难的那类数据集。大数据太深奥了，还需要花更多的时间去摸索，虽然这学期讲的都是基础，但是想要掌握更多的大数据知识，需要自己花更多的时间去学习大数据。