大数据开发生态圈之Apache

Hadoop概述

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
用户可以在不了解分布式底层细节的情况下，开发分布式程序，充分利用集群的威力进行高速运算和存储。
Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。
Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

分布式存储

    在分布式存储系统中，分散在不同节点中的数据可能属于同一个文件，为了组织众多的文件，把文件可以放到不同的文件夹中，
文件夹可以一级一级的包含。我们把这种组织形式称为命名空间（namespace）。命名空间管理着整个服务器集群中的所有文件。

分布式计算

    把一个需要非常巨大的计算能力才能解决的问题分成许多小的部分，然后把这些部分分配给许多计算机进行处理，最后把这些计
算结果综合起来得到最终的结果。

Hadoop关联项目

AmbariTM：基于web能够提供资源、监控、管理Hadoop集群的操作工具。
AvroTM：数据序列化系统。
HBaseTM：能支持结构化数据大表存储的可扩展的、分布式的数据库。
HiveTM：能够支持数据的汇总和临时查询的数据仓库基础框架。
MahoutTM：一个可扩展的机器学习和数据挖掘库。
PigTM：高级数据流语言和并行计算执行框架
SparkTM：一个快速和通用的计算Hadoop数据引擎。
TezTM：一个通用的数据流编程框架。
ZooKeeperTM：一个分布式应用的高性能协调的服务。

Hadoop版本

Hadoop的版本大致分为以下：
Apache
官方版本
Cloudera(CDH)
使用下载最多的版本，稳定，有商业支持，在Apache的基础上打上了一些补丁。推荐使用。
HortonWorks(HDP)
基于Apache的版本进行了集成。
MapR

Hadoop模块构成

Hadoop2包括4个模块

Hadoop Common
The common utilities that support the other Hadoop modules.
Hadoop Distributed File System(HDFSTM)
A distributed file system that provides high-throughput access to application data.
Hadoop Yarn
A framework for job scheduling and cluster resource management.
Hadoop MapReduce
A YARN-based system for parallel processing of large data sets.

Hadoop1和Hadoop2简介

Hadoop1
HDFS：Hadoop Distributed File System 分布式文件系统
MapReduce：分布式计算模型
Hadoop2
HDFS2: Hadoop Distributed File System 分布式文件系统
Yarn：资源管理平台，在上面运行分布式计算，典型的计算模型有
MapReduce、Storm、Spark等。

详细可参考http://hadoop.apache.org