Hadoop的简介
Hadoop的设计思想来源于谷歌在2003年、2004年和2006年，发表了三篇论文：《The Google File System 》 、《MapReduce: Simplified Data Processing on Large Clusters》 和《Bigtable: A Distributed Storage System for Structured Data》，介绍谷歌分布式文件系统GFS、分布式计算框架MapReduce和分布式数据存储系统。Hadoop的HDFS、MapReduce和HBase分别是谷歌这三个系统的开源实现。最初Hadoop是作为Lucene的子项目，用于处理检索系统中海量的文本文件已经其他数据。随着“大数据”概念的兴起，Hadoop受到了很多公司的追捧。发展到今天Hadoop已经成为大数据的代名词。短短几年间，Hadoop从一种边缘技术成为事实上的标准。
Hadoop中的HDFS
HDFS被设计成适合运行在通用硬件上的分布式文件系统。它和现有的分布式文件系统有很多共同点。但同时，它和其他的分布式文件系统的区别也是很明显的。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。MapReduce是用于并行处理大数据集的软件框架。
Hadoop中的MapReduce
MapReduce 的根源是函数性编程中的 map 和 reduce 函数。它由两个可能包含有许多实例（许多 Map 和 Reduce）的操作组成。MapReduce可以将大量任务分布在多台主机上进行计算，每台主机承担一部分计算任务，提高计算效率
这个分布式框架很有创造性，而且有极大的扩展性，使得Google在系统吞吐量上有很大的竞争力。因此Apache基金会用Java实现了一个开源版本，支持Fedora、Ubuntu等Linux平台。
Hadoop实现了HDFS文件系统和MapRecue。用户只要继承MapReduceBase，提供分别实现Map和Reduce的两个类，并注册Job即可自动分布式运行。
Hadoop的原理及架构
HDFS的架构
HDFS是一个具有高度容错性的分布式文件系统，适合部署在廉价的集群上。HDFS能够提供高吞吐量的数据访问，非常适合大规模数据集上的应用。
HDFS的架构如下图，总体采用了master/slave架构，主要由以下几个组件组成：Client、NameNode、SecondaryNameNode和DataNode。
- Client
Client通过与NameNode和DataNode交互从而访问HDFS中的文件。Client提供了一个类似POSIX的文件系统接口供用户调用。
- NameNode
整个Hadoop集群中只有一个NameNode。它是整个系统的“总管”，负责管理HDFS的目录树和相关的文件元数据信息，这些信息是以“fsimage”（HDFS元数据镜像文件）和“editlog”（HDFS元数据改动日志）两个文件形式存放在本地磁盘，当HDFS重启时重新构造出来。此外，NameNode还负责监控各个DataNode的健康状态，一旦发现DataNode宕机，则将该DataNode移出HDFS并重新备份其上面的数据。
- Secondary NameNode
Secondary NameNode最重要的任务不是为NameNode元数据进行热备份，而是定期合并fsimage和editsLog，并传输给NameNode。为了减小NameNode的压力，NomeNode并不会自己合并fsimage和editsLog，并将文件存储到磁盘上，而是交由Secondary NameNode完成的。
- DataNode
一般而言，每个Slave阶段上安装一个DataNode，它负责实际的数据存储，并将数据信息定期汇报给NameNode。DataNode以固定大小的block为基本单位组织文件内容，默认情况下block大小为64MB。当用户上传一个大的文件到HDFS上时，该文件会被切分成若干个block，分布存储在不同的DataNode；同时为了保证数据可靠，会将同一个block以流水线方式写到若干个不同的DataNode上。这种文件切割方式后存储的过程对用户透明。
Hadoop MapReduce架构
Hadoop MapReduce也采用Master/Slave（M/S）架构，如下图所示。
主要由以下几个组件组成：Client、JobTracker、TaskTracker和Task。
- Client
用户编写MapReduce程序通过Client提交到JobTracker端；同时用户可通过Client提供的一写接口查看作业运行状态。在Hadoop内部用“作业”表示MapReduce程序。一个MapReduce程序可对若干个作业，而每个作业会被分解成若干个Map/Reduce任务。
- JobTracker
JobTracker主要负责资源监控和作业调度。JobTracker监控所有taskTracker与作业的健康状况，一旦发现失败情况后，其会将相应的任务转移到其他节点；同时JobTracker会跟踪任务执行进度、资源使用量等信息，并将这些信息告诉任务调度器，而调度器会在资源出现空闲时，选择合适的任务使用这些资源。
- TaskTracker
TaskTracker会周期性的通过HeartBeat将本节点上资源的使用情况和任务运行信息汇报给JobTracker，同时也接受来自JobTracker发来的命令并且执行他们，比如说启动一个任务或者杀死一个任务等等。TaskTracker使用slot等量划分本几点上的资源量。一个Task只有获取一个slot之后才有机会运行，而hadoop调度器的作用就是将各个TaskTracker上空闲的slot分配给Task使用。slot分为Map slot和Reduce slot两种，分别给Map Task和Reduce Task使用。TaskTracker通过slot数目来限定Task的并发度。
- Task
Task分为Map Task和Reduce Task两种，有TaskTracker启动。Map Task将对应的输入信息解析成一个个的key/value对，调用map函数进行处理，最终将临时结果放到本地磁盘上，临时数据会被分成若干个partition，每个partition对应一个Reduce Task。Reduce Task过程：从节点上读取Map Task中间结果；按照key对key/value对进行排序；调用reduce函数，将结果保存到HDFS上。
注：本篇博文中的内容是基于Hadoop的第一个稳定版1.0版的内容作出的介绍，2.0以上版本的新内容会在后续的博文中介绍。