1、HDFS分布式存储

hdfs架构图

    namenode:统一管理文件的元数据信息

    fsImage:存储了文件的基本信息，如文件路径，文件副本集个数，文件块的信息，文件所在的主机信息。

    editslog：存了客户端对hdfs中各种写操作的日志（指令）；

    secondaryNamenode：协助namenode完成fsimage和editlog的合并（定期合并）。

    合并周期：1、每隔1小时合并一次 2、当editlog文件大小超过64M,立刻合并

    datanode：负责存储真实的数据。

    block：存储数据的基本单位，默认128M。
    

2、yarn框架

yarn的工作流程

    当用户向YARN中提交一个应用程序后，YARN将分两个阶段运行该应用程序：

    第一个阶段是启动ApplicationMaster；

    第二个阶段是由ApplicationMaster创建应用程序，为它申请资源，并监控它的整个运行过程，直到运行完成。

具体流程如下：

     步骤1　用户向YARN中提交应用程序，其中包括ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等。

     步骤2  ResourceManager为该应用程序分配第一个Container，并与对应的Node-Manager通信，要求它在这个Container中启动应用程序的ApplicationMaster。

     步骤3  ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManager查看应用程序的运行状态，然后它将为各个任务申请资源，并监控它的运行状态，直到运行结束，即重复步骤4~7。

     步骤4  ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请和领取资源。

     步骤5　一旦ApplicationMaster申请到资源后，便与对应的NodeManager通信，要求它启动任务。

     步骤6  NodeManager为任务设置好运行环境（包括环境变量、JAR包、二进制程序等）后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务。

     步骤7　各个任务通过某个RPC协议向ApplicationMaster汇报自己的状态和进度，以让ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务。

     在应用程序运行过程中，用户可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态。

     步骤8　应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己。

3、mapreduce核心思想

     步骤1  分布式的运算程序往往需要分成至少2个阶段。
     步骤2  第一个阶段的maptask并发实例，完全并行运行，互不相干。
     步骤3  第二个阶段的reduce task并发实例互不相干，但是他们的数据依赖于上一个阶段的所有maptask并发实例的输出。
     步骤4  MapReduce编程模型只能包含一个map阶段和一个reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个mapreduce程序，串行运行。