Hadoop是一个十分流行的分布式存储和计算框架，也是业内大数据处理和分析最通用的框架之一。
hadoop_icon.png
Hadoop2.0 由HDFS(Hadoop Distributed File System)、MapReduce和Yarn三部分组成。
Hadoop的设计原型来源于google的三篇论文，即GFS、MapReduce和BigTable,同时作为Lucene的子项目Nutch的一部分在2005年引入Apache,Hadoop的得名是Hadoop之父Doug Cutting儿子的玩具，值得一提的是他的妻子叫Lucene。
Hadoop生态
hbase生态.png
"永远不把鸡蛋放在一个篮子里"——HDFS
在分布式的文件系统之前，往往使用大型机和存储服务器去做存储，无论大型机和存储服务器都是十分昂贵的，同时也是有瓶颈的，横向扩展能力很差。而分布式文件系统的横向扩展能力以及容错性十分好，也越来越受到人们的青睐。HDFS的定位是用比较廉价的机器，做高可用的海量数据的存储。主要采用多副本的分块存储机制，在部分机器宕机或数据损坏的情况下，依然能提供可靠服务。
集群拓扑
hdfs.jpg
NameNode:文件元数据存储节点，Hadoop1中存在单点问题，Hadoop2中通过备用节点实现高可用，同时有元数据存储瓶颈，不适于存储小文件。
DataNode:数据节点，单文件被分成多块，每一块多副本跨机架、机房存储，保证数据的高可用。
Block:文件的存储单位，单个文件可被分成多块，默认为128M。同时也是MapReduce默认的输入块大小。文件读取流程：
hdfsread.png
open DistributedFileSystem 去NameNode获取文件的块列表，NameNode根据Client距离各节点的网络距离给出Block列表。
根据Block列表去一次读取文件，读取后在Client进行文件汇总。
写入流程：
hdfs_write.png
实例化DistributeFileSystem，在NameNode进行写文件的申请，申请成功后创建元数据，并返回数据存放的位置信息。
过位置信息，对DataNode进行流式写入，将数据分成多个数据包，作为一个数据队列。写入时每次取一个数据包,写入全部副本,且三个节点均写入成功，则返回ACK信号表名当前buff写入成功，Client内部维护着数据包的Ack队列，收到Ack之后会移除这个数据包。
最后想NameNode发送Complete信号，确认文件写入全部成功。如果中途节点写失败：写入部分数据的节点将在管线中移除，同时后续恢复正常后会删除这部分数据。随后写入后续两个节点，原则上写入一个块的时候就可以写成功，因为namenode发现数据不一致会做复制操作。
"分而治之"——MapReduce
分布式计算出现之前，数据的计算往往依靠性能比较好的单机计算。但是单机受限于本身的计算资源，往往计算速度都不如人意。
一天小明接到产品的一个需求：
产品：小明啊，这里有一天的日志信息，大概5个G，我要统计一下一共有多少。
小明：OK啊，就5个G，一个shell搞定，看我 cat * | wc -l，我简直就是个天才。
产品：对不起啊小明，需求变了，一天的看不出来效果，我需要统计1个月的数据，大概有150G。
小明：有点大啊，不怕，我线上服务器内存120G，40核，看我用多线程搞定，过了2个小时，终于搞 定了还有点费劲。
产品：我保证这是我最后一次变更需求，我想要最近一年的数据1800G左右。
小明：数据上T了，搞不定了啊。
上面的例子告诉我们，在大数量的场景下，高性能的单机有时也是解决不了问题。所以我们就需要MapReduce帮助我们。
MapReduce是一种采用分治和规约的一种并行的批处理框架，先将数据做分割计算，最后汇总结果。看上去和多线程的处理机制一样，但是Hadoop将它封装在了框架中，编程十分简单，吞吐量十分高，目前支持Java、C++、Python等多种API编程。