【大数据】Hadoop快速入门

Hadoop是什么：

随着数据量的急剧增加，遇到的两个最直接的问题就是数据存储和计算(分析/利用)。 

Hadoop是由Apache基金会所开发的一个用Java实现的分布式基础框架，也可以看做是一个支持开发、运行由通用计算设备组成的大型集群上的分布式应用的平台。Hadoop中的两个最重要的组件—HDFS和MapReduce就是用来解决海量数据(分布式)存储、海量数据(分布式)计算的。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。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。 

HDFS有两种节点，NameNode和DataNode。DataNode主要用来存储数据，NameNode管理着整个文件系统的交互。相对于普通的文件系统，HDFS显著的特点是分布式海量存储、备份机制。

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。MapReduce：并行计算框架，MapReduce其实是一种分布式计算模型，多个计算机并行计算，共同做一件事情。

Hadoop的应用场景：

简单认识了什么是Hadoop，再来了解一下Hadoop一般都适用于哪些场景。

Hadoop主要应用于大数据量的离线场景，特点是大数据量、离线。 

1. 数据量大：一般真正线上用Hadoop的，集群规模都在上百台到几千台的机器。这种情况下，T级别的数据也是很小的。 
2. 离线：Mapreduce框架下，很难处理实时计算，作业都以日志分析这样的线下作业为主。另外，集群中一般都会有大量作业等待被调度，保证资源充分利用。 

　　另外，由于HDFS设计的特点，Hadoop适合处理文件块大的文件。大量的小文件使用Hadoop来处理效率会很低。

　　Hadoop常用的场景有： 

• 大数据量存储：分布式存储（各种云盘，百度，360~还有云平台均有hadoop应用） 
• 日志处理 
• 海量计算，并行计算 
• 数据挖掘(比如广告推荐等） 
• 行为分析，用户建模等 
• ……

关于Hadoop更多详细内容：大数据Hadoop快速入门

（本课程以帮助学员深入了解hadoop，适合有一定大数据基础的学员学习）

阿里云开发者社区全面升级，一站式体验，用得更爽：（阿里云开发者社区首页）