一.什么是Hadoop？ 1 ) Hadoop是由Apachefoundation开发的分布式系统基础设施。
2 )主要解决海量数据的存储和海量数据的分析计算问题。
3 )广义上，Hadoop通常指更广泛的概念——Hadoop生态圈。
二、Hadoop发展史Lucene框架是由Doug Cutting开创的开源软件，用Java编写代码，实现与谷歌类似的全文搜索功能，提供全文搜索引擎框架，具有完整的查询引擎和2001年底，Lucene成为了Apache基金会的子项目。 面对海量数据场景，Lucene面临着与谷歌同样的困难，难以保存数据，搜索速度缓慢。 学习和模仿谷歌如何解决这些问题：微版Nutch。 可以说谷歌是Hadoop思想的源头。 (关于谷歌大数据的三篇论文) 2003-2004年，谷歌公开了GFS和MapReduce的部分思想细节，以此为基础，Doug Cutting等人花了两年的业余时间，开发了DFS和MapReduce的机制2006年3月，Map-Reduce和nutchdistributedfilesystem (ndfs )分别纳入Hadoop项目，Hadoop正式问世，标志着大数据时代的到来。 名字来源于Doug Cutting儿子的玩具大象三、Hadoop三大发行版Hadoop三大发行版Apache、Cloudera、Hortonworks。
Apache版本最原始(最基础)的版本非常适合入门学习。 Cloudera在大型互联网企业中被广泛使用。 Hortonworks的文档很好。 1. Apache Hadoop官方网址： http://Hadoop.Apache.org/releases.html
下载地址： https://archive.Apache.org/dist/Hadoop/common /
2. Cloudera Hadoop官方网址： https://www.cloud era.com/downloads/CDH/5-10-0.html
下载地址： http://archive-primary.cloud era.com/CD H5/CDH/5 /
)1) Cloudera成立于2008年，是最早将Hadoop商业化的公司，为合作伙伴提供Hadoop商用解决方案。 主要包括支持、咨询服务和培训。
)2) 2009年Hadoop创始人Doug Cutting也加入了Cloudera公司。 Cloudera产品主要为CDH、Cloudera Manager、Cloudera Support
)3) CDH是Cloudera的Hadoop分发版，完全开源，与Apache Hadoop相比具有更好的兼容性、安全性和稳定性。
)4) Cloudera Manager是集群的软件分发和管理监控平台，可在数小时内配置一个Hadoop集群，实时监控集群的节点和服务。 云支持是Hadoop的技术支持。
)5) Cloudera的标价为每年每节点4000美元。 Cloudera开发了可以实时处理大数据的Impala项目，并做出了贡献。
3. Hortonworks Hadoop官方网址： https://Horton works.com/products/data-center/HDP /
下载地址： https://Horton works.com/downloads/# data-platform
(1) 2011年成立的Hortonworks是与雅虎和硅谷初创企业Benchmark Capital合资成立的。
)2)公司成立之初就引进了约25至30名专业的雅虎工程师，这些工程师都是从2005年开始协助雅虎开发Hadoop，贡献了Hadoop 80 %的代码。
(3)雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler担任Hortonworks首席执行官。
)4) Hortonworks的主打产品是Hortonworksdataplatform(HDP )，也是100%开源的产品，HDP除了一般的项目外，还有Ambari、开源的安装和管理
)5) HCatalog、元数据管理系统和HCatalog目前已集成到Facebook开源Hive中。 Hortonworks的Stinger独创地大幅优化了Hive项目。 Hortonworks为入门提供了非常好的易用沙箱。
)6) Hortonworks开发了很多扩展功能，并提交给核心骨干网。 这样，Apache Hadoop就可以在包括window服务器和Windows Azure在内的Microsoft Windows平台上本地运行。 价格基于集群，每10个节点每年12500美元。
四. Hadoop优势1）高可靠性:Hadoop的基础部分维护多个数据副本，即使Hadoop的某个计算元件或存储出现故障，也不会导致数据丢失。
2
）高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。3）高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
4）高容错性：能够自动将失败的任务重新分配。 五、Hadoop的组成 5.1 Hadoop1.x和2.x的区别
在Hadoop1.x时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大，在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度，MapReduce只负责运算
5.2 HDFS框架概述1）NameNode（nn）：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和块所在的DataNode等。
2）DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。
3）Secondary NameNode(2nn)：用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。
5.3Yarn框架概述ResourceManager（RM）主要作用如下
（1）处理客户端请求
（2）监控NodeManager
（3）启动或监控ApplicationMaster
（4）资源的分配与调度
NodeManager（NM）主要作用如下
（1）管理单个节点上的资源
（2）处理来自ResourceManager的命令
（3）处理来自ApplicationMaster的命令
ApplicationMaster（AM）作用如下
（1）负责数据的切分
（2）为应用程序申请资源并分配给内部的任务
（3）任务的监控与容错
Container
Container是YARN中的资源抽象（云计算虚拟化技术），它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等。
MapReduce将计算过程分为两个阶段：Map和Reduce
1）Map阶段并行处理输入数据
2）Reduce阶段对Map结果进行汇总
（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。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。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。Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。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。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。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。Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。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。