MapReduce\Hadoop\HDFS上\Hive学习笔记

MapReduce是Hadoop提供的分布式计算框架，它可以用来统计和分析HDFS上的海量数据;

Hive则是SQL On Hadoop，Hive提供了SQL接口，开发人员只需要编写简单易上手的SQL语句，Hive负责把SQL翻译成MapReduce，提交运行。

如何把数据源的数据采集到Hadoop上

Hadoop与关系型数据库数据交换的工具：Sqoop\Flume\DataX

1、HDFS API,实际环境中一般自己较少编写程序使用API来写数据到HDFS，通常都是使用其他框架封装好的方法。

2、Sqoop是一个主要用于Hadoop/Hive与传统关系型数据库Oracle/MySQL/SQLServer等之间进行数据交换的开源框架。

3、Flume是一个分布式的海量日志采集和传输框架，因为“采集和传输框架”，所以它并不适合关系型数据库的数据采集和传输。

Flume可以实时的从网络协议、消息系统、文件系统采集日志，并传输到HDFS上。

4、阿里开源的DataX

Hadoop上的数据搞到别处去

1、把HDFS上的文件GET到本地。

2、HDFS API

3、DataX

4、Sqoop

SQL On Hadoop的框架

1、SparkSQL、Impala和Presto.

数据的一次采集、多次消费

Flume不能间隔很短就往HDFS上滚动文件，这样会导致小文件特别多。

为了满足数据的一次采集、多次消费的需求，这里要说的便是Kafka

调度监控系统

当平台中有几百上千个任务需要维护和运行时候，仅仅靠crontab远远不够了

调度监控系统是整个数据平台的中枢系统，类似于AppMaster，负责分配和监控任务

常用工具：

1、Apache Oozie

2、其他：Azkaban、light-task-scheduler、Zeus

介绍网站：https://azkaban.github.io/

https://github.com/ltsopensource/light-task-scheduler

https://github.com/alibaba/zeus

数据分为实时和准实时

实时使用最多的工具是：storm

准实时工具：spark streaming

对外提供数据的方式

1、满足实时查询，可能的方案有：HBase、Redis、MongoDB、ElasticSearch等

2、