Hadoop提供存储文件和分析文件的机制。

    HDFS负责文件的存储，MapReduce负责文件的分析过程。

HDFS主要组件由NameNode和DataNode组成

HDFS文件切分成块（默认大小64M），以块为单位，每个块有多个副本存储在不同的机器上，副本数可在文件生成时指定（默认3）

NameNode是主节点，存储文件的元数据如文件名，文件目录结构，文件属性（生成时间,副本数,文件权限），以及每个文件的块列表以及块所在的DataNode等等。它是一个中心服务器，单一节,负责管理文件系统的名字空间(namespace)以及客户端对文件的访问，它维护着每个文件系统树和整棵树内所有的文件和目录，这些信息已两个文件形式永久保存在本地磁盘上：命名控件镜像文件(Fsimage)和编辑日志(Edit log)。文件操作，NameNode负责文件元数据的操作，DataNode负责处理文件内容的读写请求，跟文件内容相关的数据流不经过NameNode，只会询问它跟那个DataNode联系，否则NameNode会成为系统的瓶颈

DataNode在本地文件系统存储文件块数据，以及块数据的校验和。可以创建、删除、移动或重命名文件，当文件创建、写入和关闭之后不能修改文件内容。一个数据块在DataNode以文件存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。DataNode启动后向NameNode注册，通过后，周期性（1小时）向NameNode上报所有的块信息。心跳是每3秒一次，心跳返回结果带有NameNode给该DataNode的命令如复制块数据到另一台机器，或删除某个数据块。如果超过10分钟没有收到某个DataNode 的心跳，则认为该节点不可用。

当DataNode磁盘挂了，都会尽快的通知NameNode。如果该机器挂了，由于datanode每3秒钟向namenode发送心跳，如果10分钟datanode没有向namenode发送心跳，则namenode认为该datanode已经dead，namenode将取出该datanode上对应的block，对其进行复制。

Map的数据流

   原理：利用一个输入key/value pair集合来产生一个输出的key/value pair集合

   Map函数:接受一个输入的key/value pair值，然后产生一个中间key/value pair值的集合。

   Reduce函数：接受一个由Map函数产生的中间key值和其相关的一个value值集合，然后分析合并这些value值

   在MapReduce中作业(Job)是客户端需要执行的工作单元，它包含了输入数据、MapReduce程序和配置信息。Hadoop将作业分为若干个小任务(task)来执行，其中每个小任务又分为Map任务和Reduce任务。

两类节点控制着作业执行过程：一个JobTracker和多个TaskTracker。JobTracker主要就是调度TaskTracker来运行小任务，协调所有运行在系统上的作业。TaskTracker在运行小任务的时候，将进度报告给JobTracker，这样一旦发生错误，就由JobTracker来负责调度另一个TaskTracker。TaskTracker每隔3秒向JobTracker发送心跳来询问是否有任务可做，如有则让你分发任务给它，此时就是slave主动向master咨询。

Hadoop对于用户输入的作业中的输入数据，由MapReduce将其划分为等长的小数据块。

Hadoop仅仅在存储有输入数据的节点上运行Map任务，而且Map任务将其输出写入到本地磁盘中。当Map开始产生输出时候，数据首先写到内存的缓冲区中，进行预排序。这个默认的内存循环缓冲区大小为100MB，直到缓冲区达到80%的时候才将其数据spill到磁盘中。在输出中间结果的时候，可以使用Combiner来对其进行一个简单压缩。当缓冲区达到阀值的时候，都会产生一个spill文件，一个Map可能产生多个spill,在Map任务完成之前，都会将其产生的spill文件进行归并排序，然后删除临时的spill文件，通知TaskTracker自己的Map执行完毕.

只要有一个Map任务完成，则Reduce就开始拷贝其输出，一个Reduce有多个拷贝线程。Reduce会对其Map的输出进行归并排序处理。Reduce的输出结果最终会存储在HDFS中，当有多个reduce任务，每个map任务都会为每一个reduce任务建立一个分区