新手入门大数据 Hadoop基础与电商行为日志分析（二）

HDFS:
文件，块，副本
假如：一个文件test.log,大小为200M,

  一块（block），默认的blocksize是128M, 两个块=一个128M + 一个72M
  副本：HDFS默认3副本
 
  三个机器:node1:blk1 blk2 即使第一台机器挂掉了，也不影响
          node2:blk1
          node3:blk2
          node4:blk1 blk2

MapReduce:一个经典的wordcount的问题

文件内容：bear，apple,this,

     some,you,love,apple,
     love,bear,this

先是split,分成一行一行的，然后map,每行的单个内容分开,{bear,1},{apple,1}{this,1}然后shuffle，{bear，[1,1]},{apple,[1,1]},{this,[1,1]},最后reduce得到最终结果{bear,2},{apple,2},{this,2}

YARN 资源调度器， Yet Another Resource Negotiator
负责整个集群的资源管理和调度
常用的hadoop发行版及选择：
Apache
优点：纯开源
缺点：不同版本/不同框架之间会有jar包冲突
CDH
优点：cm(cloudera manager)通过页面一键安装各种框架 升级
缺点：cm不开源

Hortonworks:HDP
优点：原装hadoop
缺点：企业级安全不开源