0.前言
先介绍下现在的整体大数据架构的内容。见下图。
右边的黑框部分是hadoop的核心架构。包括HDFS，MapReduce，yarn，hive，hbase。
中间红框部分是saprk的生态圈，有RDD，sparkCore，sparkSQL，sparkGraphX，sparkML，sparkR，sparkStreaming。Spark可以完全代替Hadoop中的MapReduce部分。
现在的hadoop＋spark是最重要的大数据框架。可以用来解决J2EE，.NET，LAMP开发的系统平台的数据处理；支持各类终端设备的数据中心；HQL（理解为面向对象的SQL语句）的查询。
1.Hadoop生态系统解析与实际应用
1.1 Hadoop是一个适合分布式海量数据存储和处理的大数据存储和计算引擎；
1.2 Hadoop核心包含三大部分：
a) HDFS:高效、可靠、低成本的分布式数据存储首选方案;
b) MapReduce: Hadoop的分布式计算模型，基于该模型产生了很多Hadoop适合于具体场景的计算框架，例如Hive、Mahout等；但是由于其先天DNA的缺陷，导致在实现迭代类型的算法的时候显得力不从心，所以正在逐渐和彻底的被新一代最火爆的大数据计算框架Spark所取代；
c) Yarn：大数据集群资源管理器，用于管理同一个集群中不同大数据计算框架资源的使用；
1.3 建议实际生产环境下使用Hadoop 2.6.x版本，http://hadoop.apache.org/releases.html
1.4 Hadoop的生态系统
HDFS:海量分布式数据的存储；
MapReduce：海量数据的计算框架；
Sqoop/HIHO：DB和HDFS是相互导入导出数据；
Hive/Pig：在MapReduce的基础上构建的更加方便人们使用Hadoop的子框架；
Ganglia：集群的监控管理工具；
ZooKeeper：集群的同步工具，一般用来做HA;
HBase：OLTP(On-Line Transaction Processing联机事务处理系统)存储和高速实时查询系统；
1， Hive：Hadoop的数据仓库，包含两部分数据仓库本身以及基于数据仓库的查询计算引擎；把数据映射成为数据库的表并提供完整的SQL查询功能，实际计算的时候是在背后把SQL语句转换成为MapReduce任务进行运行，所以计算Hive的计算引擎只是一个单机版本的客户端而已；
2， Pig，使用SQL-Like的语言Pig Latin来进行Hadoop更加简易的操作和编程接口；
3， HBase：是Hadoop的数据库，其本质是一个NoSQL类型的实时高速检索引擎；
4， ZooKeeper：一般用做HA（高可用）;
5， Sqoop：用于在Hadoop和关系型数据库之间的数据相互转移的工具
具体每块内容后面一一学习。博主也是学习中。
本博客学习自王家林的视频。
