HDFS（Hadoop Distributed File System）的架构概述，如图2-4所示。
YARN架构概述，如图2-5所示。
MapReduce将计算过程分为两个阶段：Map和Reduce，如图2-6所示。
1）Map阶段并行处理输入数据
2）Reduce阶段对Map结果进行汇总
大数据技术生态体系如图2-7所示。
图中涉及的技术名词解释如下：
1）Sqoop：Sqoop(斯库伯)是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
2）Flume：Flume(弗鲁姆)是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
（1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
（2）高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。
（3）支持通过Kafka服务器和消费机集群来分区消息。
（4）支持Hadoop并行数据加载。
4）Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
5）Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
7）Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
8）Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
10）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
11）Mahout：Apache Mahout(麦浩特)是个可扩展的机器学习和数据挖掘库。
12）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。
推荐系统项目架构如图2-8所示。
演示以CentOS6X为例：
1、完整克隆虚拟机或者复制虚拟机均可
（注意：完整克隆虚拟机和复制虚拟机文件的区别：二者没什么区别，本质一样。只是在开机的时候，复制的虚拟机需要选择【我已复制该虚拟机】）
2、修改虚拟机的静态IP
（注意：复制的虚拟机会新生成一张网卡，即虚拟出一张网卡：eth1，我们可以使用该网卡，也可以不使用而继续使用eth0，但是需要配置，即修改MAC地址即可。虚拟技术的精髓！）
3、修改主机名
（配置Linux系统中ip地址与主机名映射，还需要配置Windows系统中Linux的ip地址与主机名映射，这样为了方便后续操作。注意：CentOS6X和CenOS7X的主机名配置的区别）
4、永久关闭防火墙
（实际开发中不建议永久关闭防火墙，需要使用什么端口，开放即可。注意：CentOS6X和CenOS7X的防火墙配置的区别）
5、创建atguigu用户
（注意：创建用户后要及时设置用户密码，这是一个好习惯！）
6、配置atguigu用户具有root权限
（并非所有用户都能够执行sudo，因为有权限的用户需要在/etc/sudoers中进行配置后才可以使用，注意：sudoers的权限是0440，即只有root才能读。在你用root或sudo编辑后强行保存并退出（wq!）即可。）