什么是大数据
在短时间内快速产生的海量的各种各样的有价值的数据
大数据的核心技术
分布式存储+分布式计算
hadoop
Hadoop是目前大数据常用的，一个能够对大量数据进行分布式处理的软件框架。
Hadoop框架最核心的设计是 HDFS 和 MapReduce。
HDFS为海量的数据提供了存储，而 MapReduce 则为海量的数据提供了计算
HDFS
HDFS，全称分布式文件系统（Hadoop Distributed File System），其存储思想简单粗暴来讲就是一台服务器存不下，那么我就用N台来存。
当然事实上不可能这么简单，现在我们假设我们用100台服务器存了10PB的资源，那么我们现在需要拿到资源A，一台一台的去找显然是愚笨不堪的，于是聪明的你，在存储数据时就默默的记下了一张表，表上记录着哪一台服务器上存储了哪些数据，这时我们就可以通过查这表来找到资源A所在的位置，这当然比上面一台一台找方便的多，但这张表其实也是不小的（假设可能有100页），正所谓懒人推动科技，我们希望能直接知道资源A的地址而只提供A的相关描述，而恰巧我们是程序员，于是我们可以编写一个搜索程序，对外留出搜索接口，将查表的任务交给这个程序去做。我们将这个程序部署在一台新的服务器上，那么这就形成了HDFS集群的基本框架。那张表中的记录叫做元数据（描述数据的数据），搜索程序所在的服务器叫做NameNode（NameNode只是个别名，本质就是台服务器，角色在集群中的映射是通过进程来表现 因为该服务器启动时会产生一个名为NameNode的进程，所以我们称该服务器节点为NameNode节点），同理存储源数据（真实数据）的100台服务器就叫做DataNode。
作文一个文件存储系统，最为重要的就是文件的读和写，在说到文件读写前我们先来了解一下同样重要的HDFS的文件备份机制
文件备份
现在假设数据已经存储下来，但我们难保什么时候数据会损坏丢失或者某个DataNode节点会挂掉，所以实际中我们必须对数据进行备份
HDFS默认备份数为2，即一个数据存3份，当然你可以再多备几份，这里遵循备份数+1<=DataNode节点数
HDFS备份机制
第一份存在一台负载不高的节点上（由NameNode进行选择，如果数据是集群内提交，则直接存在提交数据的本节点）
第二份存在与第一份不同机架的随机节点上
第三份存在与第二份同机架的不同节点上
文件写
- 现在客户端要上传一个大文件，首先他需要计算出该文件的block数（HDFS中文件是以block块的形式存储的，一个Block块=128M）
- 然后客户端向NameNode发送请求，告知其文件的信息，属主，权限，上传时间和Block数。NameNode就会记录这些数据，并准备好相应的blockID
- 客户端拿出一个block，向NameNode发送请求
- NameNode返回给客户端一个blockId和存储位置
- 客户端给block贴上blockId然后根据地址将其存入DataNode中
这里首先三个地址(备份机制)的DateNode节点形成pipeline管道
然后客户端将block切割成一个个packet(64K)输入管道（这样做是为了并行存储，提高效率） - 存储完毕后，DataNode向NameNode汇报情况
- 重复步骤3直到所有block存储完毕
文件读
- 文件读就简单了，客户端向NameNode发送请求，说我需要资源A
- 于是NameNode便去找资源A的位置然后发给客户端
- 客户端根据地址去DataNode读取文件就可以了
我们这里再想一下，我们去读的时候若是这个DataNode节点挂掉了，那么我们就无法读取数据，而NameNode却不知道这边情况，只是给我们提供无效的地址，这种情况显然是不允许的，于是HDFS中规定DataNode需要向NameNode发送心跳，也就是定时汇报工作，告诉NameNode我还活着，一切OK。如果一定时间内NameNode没有接收到某个DataNode的心跳，那么就会进行处理（备份该DataNode上存储的资源）
SecondaryNameNode
我们这里再想一下，DataNode会挂掉，那么NameNode也挂掉该怎么办呢？
第一反应可能是给NameNode也备份一下，想法是没错的。这里提一下，NameNode管理的元数据是在内存中的，那么我们要怎样备份呢？这里HDFS做的很巧妙，他引入一台新的服务器节点SecondaryNameNode用来将NameNode的元数据持久化到磁盘中，这里我们看图
图中使用edits文件存储对元数据所做的操作，fsimage文件存储元数据的状态信息，
在3600秒或edits文件大小超过64M时，SecondaryNameNode就会copyNameNode中edits和fsimage文件然后进行重演，重演后将fsiamge重命名为fsiamge.ckpt推回到NameNode中，在这个期间NameNode对元数据所做的操作将存储在edits.new文件中，在得到SecondaryNameNode推回的fsimage.ckpt时将fsimage.ckpt重命名为fsimage，edies.new重命名为edit。这样就在SecondaryNamenode中完成了对Namenode的持久化.
顺便一提，block的位置信息是不会持久化的，它依靠于DataNode的心跳获得
安全模式
安全模式是指集群启动之初，NameNode启动时的状态
此时首先加载fsimage到内存中
如果edits文件不为空，则NameNode来进行合并（这是NameNode唯一一次进行合并）
检查DataNode的健康状态，如果有DataNode挂掉，就做备份处理