大数据

Hadoop: 分布式系统 大数据的基础
1、 HDFS模块

HDFS负责大数据的存储，通过将大文件分块后进行分布式存储方式，突破了服务器硬盘大小的限制，解决了单台机器无法存储大文件的问题，HDFS是个相对独立的模块，可以为YARN提供服务，也可以为HBase等其他模块提供服务。

2、 YARN模块

YARN是一个通用的资源协同和任务调度框架，是为了解决Hadoop1.x中MapReduce里NameNode负载太大和其他问题而创建的一个框架。

YARN是个通用框架，不止可以运行MapReduce，还可以运行Spark、Storm等其他计算框架。

3、 MapReduce模块

MapReduce是一个计算框架，它给出了一种数据处理的方式，即通过Map阶段、Reduce阶段来分布式地流式处理数据。它只适用于大数据的离线处理，对实时性要求很高的应用不适用。

FastDFS：轻量级分布式文件系统，由跟踪服务器（tracker server）、存储服务器（storage server）和客户端（client）三个部分组成，主要解决了海量数据存储问题，特别适合以中小文件（建议范围：4KB < file_size <500MB）为载体的在线服务。

Flume：实时获取数据。
Kafka：实时数据存储。一般被用来缓存数据。
Storm：实时数据计算。通过消费Kafka数据进行计算。
Redis：实时结果缓存。
Mysql：持久化存储。

Zookeeper：为分布式应用程序提供协调服务。1. 管理数据 2. 节点监听

Storm：实时计算框架。
Storm和Hadoop区别：
Storm用于实时计算。Hadoop用于离线计算。
Storm处理的数据保存在内存中，源源不断。
Hadoop处理的数据保存在文件系统中，一批一批。
Storm的数据通过网络传输进来；Hadoop的数据保存在磁盘中。
流程分析：
1、storm组件由spout和bolt组成，spout组件（取源数据流的组件）首先从外部获取数据；
2、接着spout会将数据处理后以tuple为单位发射给后续bolt组件（该组件接收数据后进行逻辑处理），至于如何分发有多种规则可选，比如随机发或者按照指定字段发（类似于hadoop中默认的哈希值比上mapreduce，这种情况可以保证相同的字段必发射到某个bolt）。
3、处理逻辑1的bolt组件处理完数据后，会接着往后续处理逻辑2的bolt组件发射数据。
4、经过几个bolt组件处理后，达到要求，将数据保存起来，比如发到redis中。

Flume：分布式、可靠、高可用的海量日志采集、聚合和传输的系统。采集系统。
Flume可以采集文件，socket数据包等各种形式源数据，又可以将采集到的数据输出到HDFS、hbase、hive、kafka等众多外部存储系统中。
Flume的运行机制
1、Flume分布式系统中最核心的角色是agent，flume采集系统就是由一个个agent所连接起来形成
2、每一个agent相当于一个数据传递员Source 到 Channel 到 Sink之间传递数据的形式是Event事件；Event事件是一个数据流单元。

内部有三个组件：
a)Source：采集源，用于跟数据源对接，以获取数据
b)Sink：下沉地，采集数据的传送目的，用于往下一级agent传递数据或者往最终存储系统传递数据
c)Channel：angent内部的数据传输通道，用于从source将数据传递到sink
单个agent采集数据

image.png

Kafka：分布式消息队列：生产者，消费者功能。
Kafka对消息保存时根据Topic进行归类，发送消息者称为Producer,消息接受者称为Consumer,此外kafka集群有多个kafka实例组成，每个实例(server)称为broker。

 1.producer：
　　消息生产者，发布消息到 kafka 集群的终端或服务。
2.broker：
　　kafka 集群中包含的服务器。
3.topic：
　　每条发布到 kafka 集群的消息属于的类别，即 kafka 是面向 topic 的。
4.partition：
　　partition 是物理上的概念，每个 topic 包含一个或多个 partition。kafka 分配的单位是 partition。
5.consumer：
　　从 kafka 集群中消费消息的终端或服务。
6.Consumer group：
　　high-level consumer API 中，每个 consumer 都属于一个 consumer group，每条消息只能被 consumer group 中的一个 Consumer 消费，但可以被多个 consumer group 消费。
7.replica：
　　partition 的副本，保障 partition 的高可用。
8.leader：
　　replica 中的一个角色， producer 和 consumer 只跟 leader 交互。
9.follower：
　　replica 中的一个角色，从 leader 中复制数据。
10.controller：
　　kafka 集群中的其中一个服务器，用来进行 leader election 以及 各种 failover。
12.zookeeper：
　　kafka 通过 zookeeper 来存储集群的 meta 信息。