数据分析知识补充：Hadoop、YARN、Spark、Hive

Hadoop

概念

HDFS文件系统+MapReduce数据处理

假如有1T的数据，我想一行一行正则过滤出想要的内容。就需要

1. 把数据导入HDFS
2. 定义map方式，也就是把key设置成行数，把value设置为每行内容
3. 定义reduce：通过正则方式进行匹配，正确的内容通过reduce聚合起来返回

那么Hadoop就会把这个工作自动分配给你已有的n个计算结点去完成

YARN是MapReduce团队对原本框架的重构，可以理解成MapReduce v2

Spark是微软在Hadoop基础上改的，主要是解决了多余的中间结果读写问题，而是用cache来存（貌似？）；并且还可以同时包含多个map和reduce。spark用起来比mr方便点

另外spark适用于实时计算，但是Hadoop不大适合，适合离线计算；这肯定也是因为那个鸡肋的中间结果读写

Hive是包在Hadoop外面的壳，Facebook搞的，把MapReduce程序包装成了类SQL，可能不会代码的人用起来方便点吧

HDFS基本原理

原理简单但是……估计操作更简单？

struc

结构：

1. nameNode负责维护数据block对应的dataNote映射信息
2. DataNode当然就存具体block了

形式：

1. 一个block存在3个区域中，这3个区域还要分布在2个主机上，防止数据挂掉（不知道这数据是默认的还是？）
2. 原始的数据是会被分成小的block的。比如一个100m的数据可能被分成66m的block1和36m的block2
3. block被写入HDFS的时候，是流式的，即一个block被分为更小的块，第一块写进host1，然后host1把它写给host2，这时候第二块又写进host1，同时host2写完了再把刚刚的第一块写给host3……

MapReduce基本原理

用户自己定义好map和reduce两个函数。

• map函数：接受一个键值对（key-value pair），产生一组中间键值对。MapReduce框架会将map函数产生的中间键值对里键相同的值传递给一个reduce函数。
• reduce函数：接受一个键，以及相关的一组值，将这组值进行合并产生一组规模更小的值（通常只有一个或零个值）。

例：统计词频:

map(String key, String value): 
　　// key: document name 
　　// value: document contents 
　　for each word w in value: 
　　　　EmitIntermediate(w, "1"); 


reduce(String key, Iterator values): 
　　// key: a word 
　　// values: a list of counts 
　　int result = 0; 
　　for each v in values: 
　　　　result += ParseInt(v); 
　　　　Emit(AsString(result));