1、Hadoop是什么

1.1、小故事版本的解釋

小明接到一個任務：計算一個100M的文本文件中的單詞的個數(shù)，這個文本文件有若干行，每行有若干個單詞，每行的單詞與單詞之間都是以空格鍵分開的。對于處理這種100M量級數(shù)據(jù)的計算任務，小明感覺很輕松。他首先把這個100M的文件拷貝到自己的電腦上，然后寫了個計算程序在他的計算機上執(zhí)行后順利輸出了結(jié)果。

后來，小明接到了另外一個任務，計算一個1T（1024G）的文本文件中的單詞的個數(shù)。再后來，小明又接到一個任務，計算一個1P(1024T)的文本文件中的單詞的個數(shù)……

面對這樣大規(guī)模的數(shù)據(jù)，小明的那一臺計算機已經(jīng)存儲不下了，也計算不了這樣大的數(shù)據(jù)文件中到底有多少個單詞了。機智的小明上網(wǎng)百度了一下，他在百度的輸入框中寫下了：大數(shù)據(jù)存儲和計算怎么辦？按下回車鍵之后，出現(xiàn)了有關Hadoop的網(wǎng)頁。

看了很多網(wǎng)頁之后，小明總結(jié)一句話：Hadoop就是存儲海量數(shù)據(jù)和分析海量數(shù)據(jù)的工具。

1.2、稍專業(yè)點的解釋

Hadoop是由java語言編寫的，在分布式服務器集群上存儲海量數(shù)據(jù)并運行分布式分析應用的開源框架，其核心部件是HDFS與MapReduce。

HDFS是一個分布式文件系統(tǒng)：引入存放文件元數(shù)據(jù)信息的服務器Namenode和實際存放數(shù)據(jù)的服務器Datanode，對數(shù)據(jù)進行分布式儲存和讀取。

MapReduce是一個計算框架：MapReduce的核心思想是把計算任務分配給集群內(nèi)的服務器里執(zhí)行。通過對計算任務的拆分（Map計算/Reduce計算）再根據(jù)任務調(diào)度器（JobTracker）對任務進行分布式計算。

1.3、記住下面的話：

Hadoop的框架最核心的設計就是：HDFS和MapReduce。HDFS為海量的數(shù)據(jù)提供了存儲，則MapReduce為海量的數(shù)據(jù)提供了計算。

把HDFS理解為一個分布式的，有冗余備份的，可以動態(tài)擴展的用來存儲大規(guī)模數(shù)據(jù)的大硬盤。

把MapReduce理解成為一個計算引擎，按照MapReduce的規(guī)則編寫Map計算/Reduce計算的程序，可以完成計算任務。

2、Hadoop能干什么

大數(shù)據(jù)存儲：分布式存儲

日志處理：擅長日志分析

ETL:數(shù)據(jù)抽取到oracle、mysql、DB2、mongdb及主流數(shù)據(jù)庫

機器學習: 比如Apache Mahout項目

搜索引擎:Hadoop + lucene實現(xiàn)

數(shù)據(jù)挖掘：目前比較流行的廣告推薦，個性化廣告推薦

Hadoop是專為離線和大規(guī)模數(shù)據(jù)分析而設計的，并不適合那種對幾個記錄隨機讀寫的在線事務處理模式。

實際應用：

（1）Flume+Logstash+Kafka+Spark Streaming進行實時日志處理分析

 

（2）酷狗音樂的大數(shù)據(jù)平臺

 

3、怎么使用Hadoop

3.1、Hadoop集群的搭建

無論是在windows上裝幾臺虛擬機玩Hadoop，還是真實的服務器來玩，說簡單點就是把Hadoop的安裝包放在每一臺服務器上，改改配置，啟動就完成了Hadoop集群的搭建。

3.2、上傳文件到Hadoop集群

Hadoop集群搭建好以后，可以通過web頁面查看集群的情況，還可以通過Hadoop命令來上傳文件到hdfs集群，通過Hadoop命令在hdfs集群上建立目錄，通過Hadoop命令刪除集群上的文件等等。

3.3、編寫map/reduce程序

通過集成開發(fā)工具（例如eclipse）導入Hadoop相關的jar包，編寫map/reduce程序，將程序打成jar包扔在集群上執(zhí)行，運行后出計算結(jié)果。