Hadoop 分布式存儲與傳統SQL存儲比較及存儲操作描述
Google 為了應對快速增長的數據處理，開發了一套算法。后來有人根據算法的思想，開發出開源的軟件框架 ，就是Hadoop， 隨著越來越多的組織和個人開發者在框架開發中不斷貢獻改進，Hadoop 已經形成一套家族產品，成為當下最成功***的分布式大數據處理框架。
Hadoop 受到很多組織青睞，是因為有兩大因素： 一、超大規模的數據處理， 通常 10TB 以上；二、超復雜的計算工作，例如統計和模擬。
Hadoop 在很多應用場景中發揮著主要功用，如大規模統計、ETL數據挖掘、大數據智能分析、機器學習等。
Hadoop 和 傳統SQL關系數據存儲 有什么區別？
Hadoop 讀時模式（Schema on read）,傳統SQL是 寫時模式（Schema on write）.傳統數據庫存儲時對數據進行檢查，需要檢查表結構定義等必須匹配后才讓存儲（write），否則就報錯。Hadoop 是你拿過任何數據格式我都給你存儲，只要你給我讀取這些數據的接口程序，在用到這些數據時（read），才會檢查。
左邊是Schema on Read , 右邊是Schema on Write。 右邊數據格式不對會報錯；左邊更關注讀數據的規則
Hadoop 是分布式數據庫， 而大部分SQL 是集中存儲的。
舉例來講： 微信后臺有可能數千個服務器節點用于存儲微信聊天記錄，假設我的聊天記錄分布在60個不同的服務節點上。而對于關系數據庫，會集中在多個表空間中。
假如我搜索我的一個聊天記錄，Hadoop 會把搜索任務分成多個均衡負載的搜索任務運行在60個節點上。而傳統SQL會逐個搜索存儲空間，直到全部遍歷。如果沒有完全搜索完，會返回搜索結果嗎？ Hadoop的回答是YES，而傳統SQL會是NO。
Hadoop 家族的產品 Hive，可以讓不怎么懂SQL 的客戶開發出基本上和SQL同樣功能的查詢
Hadoop 的數據寫入、備份、刪除操作
一、數據寫入
在客戶端想HDFS寫數據的過程中，主要分為下面幾個過程：
客戶端將數據緩存到本地的一個臨時文件中；
當這個本地的臨時文件到達HDFS中的塊大小限制時，客戶端訪問Namenode，Namenode將文件的名字插入到HDFS命名空間中，并且為其分配相應的存儲位置；
Namenode與分配好的Datanode進行溝通，確定存儲位置可用，然后將這些存儲位置信息返回給客戶端；
客戶端將本地的臨時文件傳輸到Datanode中；
當寫文件結束，臨時文件關閉時，會將已有的臨時數據傳輸到Datanode中，并告知Namenode寫數據完成；
Namenode將該文件改變為持久的一致性狀態，也就事將該操作記錄到日志EditLog中。如果此時Namenode宕掉，那么文件信息丟失。
上面的過程主要特點是寫入數據先緩存到本地，在達到塊大小限制時才與Datanode通信進行傳輸。這樣的好處在于避免在客戶寫數據的過程中持續占用網絡帶寬，這對于處理多用戶大量數據的寫入是非常關鍵的。
二、數據備份
數據的寫入同時伴隨這數據塊的備份，過程如下：
在客戶端臨時數據達到一個塊時，與Namenode通信，得到一組Datanode地址，這些Datanode就是用來存儲該數據塊的；
客戶端首先將該數據塊發送到一個Datanode上，Datanode在接受時是以4kb為單位進行，我們把這些小單位稱為緩存頁（參考了Linux管道文件的說法）；
對于***個接到數據的Datanode，它把緩存頁中的數據寫入自己的文件系統，另一方面，它又將這些緩存頁傳送給下一個Datanode；
重復3的過程，第二個Datanode又將緩存頁存儲在本地文件系統，同時將它傳送給第三個Datanode；
如果HDFS中的備份數目設置為3，那么第三個Datanode就只需要將緩存頁存儲即可。
上面的過程中，數據塊從客戶端流向***個Datanode，然后再流向第二個，從第二個再到第三個，整個是一個流水線過程，中間不會有停頓。所以HDFS將它稱為Replication Pipelining。
為什么不采取客戶端同時向多個Datanode寫數據的方法呢？其實從Pipelining這個稱呼上就可以猜到，客戶端和Datanode采用的緩存文件都是管道文件，即只支持一次讀取。
三、 數據刪除
HDFS中的數據刪除也是比較有特點的，并不是直接刪除，而是先放在一個類似回收站的地方（/trash），可供恢復。
對于用戶或者應用程序想要刪除的文件，HDFS會將它重命名并移動到/trash中，當過了一定的生命期限以后，HDFS才會將它從文件系統中刪除，并由Namenode修改相關的元數據信息。并且只有到這個時候，Datanode上相關的磁盤空間才能節省出來，也就是說，當用戶要求刪除某個文件以后，并不能馬上看出HDFS存儲空間的增加，得等到一定的時間周期以后（現在默認為6小時）。
對于備份數據，有時候也會需要刪除，比如用戶根據需要下調了Replicaion的個數，那么多余的數據備份就會在下次Beatheart聯系中完成刪除，對于接受到刪除操作的Datanode來說，它要刪除的備份塊也是先放入/trash中，然后過一定時間后才刪除。因此在磁盤空間的查看上，也會有一定的延時。
那么如何立即徹底刪除文件呢，可以利用HDFS提供的Shell命令：bin/hadoop dfs expunge清空/trash。
