1.什么是大数据
狭义（技术思维）：使用分布式技术完成海量数据的处理，得到数据背后蕴含的价值。
广义：大数据是数字化时代，信息化时代的基础（技术）支撑，以数据为生活赋能。
大数据的核心工作：从海量的高增长、多类别、低信息密度的数据中挖掘出高质量的结果。（海量数据存储、海量数据传输、海量数据计算）
2.大数据的核心工作
存储：妥善保存海量待处理数据
计算：完成海量数据的价值挖掘
传输：协助各个环节的数据传输
3.大数据的生态
存储：Apache Hadoop HDFS、Apache HBase、Apache Kudu、云平台
计算：Apache Hadoop MapReduce、Apache Spark、Apache Flink
传输：Apache Kafka、Apache Pulsar、Apache Flume、Apache Sqoop
4.海量数据的分布式存储
数据量太大，单机存储能力有上限，需要靠服务器数量来解决问题
数量的提升带来的是网络传输、磁盘读写、CPU、内存等各方面的综合提升。分布式存储的组合可以达到1+1>2的效果。
5.Hadoop是由三大组件组成的：
HDFS组件（分布式存储），MapReduce组件（分布式计算），YARN组件（分布式调度）。
6.HDFS是Hadoop技术栈提供的f分布式数据存储解决方案，可以在多台服务器上构建存储集群，存储海量的数据。HDFS数据存储集群采用主从模式架构（中心化模式架构）
NameNode：主角色，负责管理HDFS集群和DataNode角色
DataNode角色：从角色，负责数据的存储
SecondaryNameNode：辅助角色，负责协助NameNode整理元数据
7.HDFS和Linux系统一样，均是以/作为根目录的组织形式。
8.HDFS和Linux系统中的命令也很类似。
9.HDFS文件系统中的文件只能删除和追加，不能修改。
10.什么是NFS：
NFS就是Network File System的缩写，它最大的功能就是可以通过网络，让不同的机器、不同的操作系统可以共享彼此的文件。 （通俗的说**：** NFS服务器可以让PC将网络中的NFS服务器共享的目录挂载到本地端的文件系统中，而在本地端的系统中来看，那个远程主机的目录就好像是自己的一个磁盘分区一样，在使用上相当便利。）
11.HDFS分布式文件存储原理：
每个服务器（节点）存储文件的一部分。
12.block块：设定的HDFS服务器统一的管理单位，每个256MB（支持修改：配置文件中修改）
13.解决block块丢失的问题：
在其他服务器上进行备份。这样某一台服务器的某个block丢失了，可以从其他服务器上复制备份过来。
14.fsck命令查看文件的信息，例如该文件的副本数量和副本路径。
15.NameNode是如何管理Block块的：
edits文件，是一个流水账文件，记录了hdfs中每一次操作，以及本次操作影响的文件其对应的block。
FSImage文件：就是全部的edits文件合并后的结果。（我只要edits文件的最终状态，中间的操作流水账我不关心）
so，NameNode元数据管理维护步骤
1.每次对HDFS的操作，均被edits记录
2.edits达到大小上限后，开启新的edits记录
3.定期进行edits的合并操作
（1）如果当前没有fsimage文件，将全部edits合并为第一个fsimage
（2）如果当前已经存在fsimage文件，将全部edits和已存在的fsimage进行合并，形成新的fsimage文件
4.重复1，2，3步骤
16.edits和fsimage文件中元数据的合并要么基于时间要么基于事务数，二者达到其一就触发合并操作。
17.SecondaryNameNode就是来做元数据的合并操作的，合并好了给NameNode操作。NameNode来写edits文件。
18.客户端在HDFS上写数据的流程：
1.客户端想NameNode发起请求
2.NameNode审核权限，剩余空间后，满足条件允许写入，并告知客户端写入的DataNode地址
3.客户端向指定的DataNode发送数据包
4.被写入数据的DataNode同时完成数据副本的复制工作
5.如下图，DataNode1复制给DataNode2，然后基于DataNode2复制给DataNode3和DataNode4
6.写入完成客户端通知NameNode，NameNode做元数据记录工作。
关键信息：
a.NameNode不负责数据的写入，只负责元数据记录和权限审批
b.客户端直接向一台DataNode写数据。这个DataNode一般是**离客户端最近（网络距离）**的那个
c.数据块副本的复制工作，由DataNode之间自行完成（构建一个pipeline，按照顺序复制分发）
19.客户端在HDFS上读数据的流程：
1.客户端向NameNode申请读取某文件
2.NameNode判断客户端权限等细节后，允许读取，并返回此文件的block列表
3.客户端拿到block列表后自行寻找DataNode读取即可。
注意点：
1.数据同样不通过NameNode提供
2.NameNode提供的blockl列表，会基于网络距离计算尽量提供离客户端最近的。
20.为什么需要分布式计算：
因为数据量太大了，硬件性能不够，用数量来弥补。
21.分布式计算常见的两种工作模式：
分散->汇总（MapReduce就是这种模式）
中心调度->步骤执行（大数据体系的Spark，Flink等是这种模式）