大数据技术原理
HDFS：H是hadoop 分布式文件系统 分布式文件系统。
Hdfs是Hadoop分布式文件系统的简称，它是Hadoop实现的一个分布式文件系统。
纱线：管理资源调度
mycat：中间件
MapReduce的：分布式，并行处理的编译原理
伪分布式：纱和HDFS部署在同一台机器上
组件介绍：
Hadoop的核心组件
HDFS ---- Hadoop生态圈的基本组成部分Hadoop分布式文件系统（HDFS）.HDFS是数据分析式保存机制，数据被保存在计算机集群上。数据写入一次.HDFS为HBase等工具提供了基础。
MapReduce ----- Hadoop的主要执行框架MapReduce，它是一个分布式，并行处理的编程模型.MapReduce把任务分为Map（映射）阶段和reduce（化简）。开发人员使用存储在HDFS中数据（可实现快速存储），编写的Hadoop的MapReduce的任务。由于MapReduce的工作原理的特效，Hadoop的能以并行的方式访问数据，从而实现快速访问数据。
Hbase ---- HBase是一个建立HDFS之上，面向列的NoSQL数据库，用于快速读/写大量数据。
Zookeeper ----用于Hadoop的分布式协调服务.Hadoop的许多组件依赖于Zookeeper，它运行在计算机集群上面，用于管理Hadoop操作。
Oozie ---- Oozie是一个可扩展的工作体系，集成于Hadoop的堆栈，用于协调多个MapReduce作业的执行，它能够管理一个复杂的系统，基于外部事件来执行，外部事件包括数据的定时和数据的出现。
Hive ----- Hive类似于SQL高级语言，用于运行存储在Hadoop上的查询语句，然后这些语句被翻译为Hadoop上面的MapReduce任务。像Pig一样，Hive作为一个抽象层工具，吸引了很多熟悉SQL而不是Java的编程的数据分析师。
Hadoop的的生态圈还包括以下几个框架，用来与其他企业融合
Sqooop是一个连接工具，用于在关系数据库，数据仓库和Hadoop的之间转移数据.Sqoop利用数据库技术描述架构进行数据的导入/导出;利用MapReduce的实现并行化运行和容错技术。
水槽提供了分布式，可靠，高效的服务，用于收集，汇总大数据，并将单台计算机的大量数据转移到HDFS。它基于一个简单而灵活的架构，并提供了数据流的流。它利用简单的可扩展的数据模型，将企业中多台计算机上的数据转移到Hadoop的。
除核心部件外，Hadoop的生态圈正在不断增长，以提供更新功能和组件，如以下内容：
Mahout ------- Mahout是一个机器学习和数据挖掘库，它提供的MapReduce包含很多实现，包括聚类算法，回归测试，统计建模。通过使用Apache Hadoop库，可以将Mahout有效地扩展到云中。
Spark生态圈
Spark特点
Spark是伯克利大学AMPLab压法的一套开源的数据处理软件栈，也是当前领域内最活跃，最热门，最高效的大数据通用计算平台。
快速
易用
通用
集成的Hadoop
Spark组件
SparkCore
RDD弹性数据集，RDD编程接口，RDD关系依赖，StageDAG
SparkStreaming
Spark Streaming基于微批量方式的计算和处理，可以用于处理实时的流数据，它使用DStream，简单来说就是一个弹性分布式数据集（RDD）系列，处理实时数据。
Spark SQL：
Spark SQL可以通过JDBC API将Spark数据集暴露出去，而且还可以用传统的BI和可视化工具在Spark数据上执行类似SQL查询。用户还可以用Spark SQL对不同格式的数据（如JSON，Parquet以及数据库等），执行ETL，将其转化，然后暴露给特定的查询。
Spark MLlib
MLlib是一个可扩展的Spark机器学习库，有通用的学习算法和工具组成，包括二分个，分类，线性回归，聚类协同过滤，梯度下降以及底层优化原因。用于机器学习和统计等场景
Spark GraphX：
GraphX是用于图计算和并行计算的新的（alpha）Spark API。
通过引入弹性分布式属性图（Reslient Distributed Property Geaph），一种顶点和边都带有属性的有向多重图，扩展火花RDD。为了支持图计算，GraphX暴露了一个基础操作符集合（如子图， joinVertices和aggregateMeassages）和一个经过优化的Pregel API变体。此外，GraphX还包括一个持续增长的用于简化图分析任务的图算法和构建起集合。
作者：DemonHunter211
