关于如何将数据摄取到HDF中，有很多种方法，让我在这里举例说明： hdfs dfs -put -将文件从本地文件系统插入hdfs的简单方法
hdfs java api
sqoop-用于将数据引入/引出数据库
flume-流文件、日志
kafka分布式队列，主要用于近实时流处理
nifi-在apache孵化项目，用于将数据移动到hdfs中，而无需进行大量更改
将web应用程序日志带到hdfs的最佳解决方案是通过flume。

我们有三种不同类型的数据-结构化（基于模式的系统，如oracle/mysql等）、非结构化（图像、Weblog等）和半结构化数据（xml等）
结构化数据可以以行和列的形式存储在数据库sql表中
半结构化数据是不驻留在关系数据库中的信息，但它确实具有一些组织属性，使其更易于分析。通过一些过程，您可以将它们存储在关系数据库（例如xml）中
非结构化数据通常包括文本和多媒体内容。例如电子邮件、文字处理文档、视频、照片、音频文件、演示文稿、网页和许多其他类型的业务文档。
根据数据的类型，您将选择将数据导入hdfs的工具。
您的公司可能会使用crm、erp工具。但我们并不确切地知道数据是如何组织和结构的。
如果我们留下简单的hdfs命令，比如put、copyfromlocal等，将数据加载到hdfs兼容的格式中，下面是将数据加载到hdfs中的主要工具
apache sqoop（tm）是一种设计用于在apache hadoop和结构化数据存储（如关系数据库）之间高效传输大量数据的工具。mysql、sqlserver和oracle表中的数据可以通过这个工具加载到hdfs中。
apacheflume是一种分布式的、可靠的、可用的服务，用于高效地收集、聚合和移动大量日志数据。它具有基于流数据流的简单灵活的体系结构。它具有健壮性和容错性，具有可调的可靠性机制和多种故障切换和恢复机制。
其他工具包括chukwa、storm和kafka
但另一项正在变得非常流行的重要技术是spark。它是hadoop的朋友和敌人。
spark正在成为hadoop的一个很好的实时数据处理替代品，hadoop可以使用hdfs作为数据源，也可以不使用hdfs作为数据源。