本文大部分內(nèi)容都是從官網(wǎng)
Hadoop上轉(zhuǎn)來的。其中有篇介紹HDFS的pdf文檔，對Hadoop介紹的比較全面。
先說一下Hadoop的來龍去脈。談到Hadoop就不得不提到Lucene和Nutch。首先，Lucene并不是一個(gè)應(yīng)用程序，而是提供了一個(gè)純Java的高性能全文索引引擎工具包，它可以方便的嵌入到各種實(shí)際應(yīng)用中實(shí)現(xiàn)全文搜索/索引功能。Nutch是一個(gè)應(yīng)用程序，是一個(gè)以Lucene為基礎(chǔ)實(shí)現(xiàn)的搜索引擎應(yīng)用，Lucene 為Nutch提供了文本搜索和索引的API，Nutch不光有搜索的功能，還有數(shù)據(jù)抓取的功能。在nutch0.8.0版本之前，Hadoop還屬于 Nutch的一部分，而從nutch0.8.0開始，將其中實(shí)現(xiàn)的NDFS和MapReduce剝離出來成立一個(gè)新的開源項(xiàng)目，這就是Hadoop，而 nutch0.8.0版本較之以前的Nutch在架構(gòu)上有了根本性的變化，那就是完全構(gòu)建在Hadoop的基礎(chǔ)之上了。在Hadoop中實(shí)現(xiàn)了 Google的GFS和MapReduce算法，使Hadoop成為了一個(gè)分布式的計(jì)算平臺。
Hadoop并不僅僅是一個(gè)用于存儲的分布式文件系統(tǒng)，而是設(shè)計(jì)用來在由通用計(jì)算設(shè)備組成的大型集群上執(zhí)行分布式應(yīng)用的框架。
Hadoop包含兩個(gè)部分：
1、HDFS
即Hadoop Distributed File System (Hadoop分布式文件系統(tǒng))
HDFS 具有高容錯(cuò)性，并且可以被部署在低價(jià)的硬件設(shè)備之上。HDFS很適合那些有大數(shù)據(jù)集的應(yīng)用，并且提供了對數(shù)據(jù)讀寫的高吞吐率。HDFS是一個(gè) master/slave的結(jié)構(gòu)，就通常的部署來說，在master上只運(yùn)行一個(gè)Namenode，而在每一個(gè)slave上運(yùn)行一個(gè)Datanode。
HDFS 支持傳統(tǒng)的層次文件組織結(jié)構(gòu)，同現(xiàn)有的一些文件系統(tǒng)在操作上很類似，比如你可以創(chuàng)建和刪除一個(gè)文件，把一個(gè)文件從一個(gè)目錄移到另一個(gè)目錄，重命名等等操 作。Namenode管理著整個(gè)分布式文件系統(tǒng)，對文件系統(tǒng)的操作（如建立、刪除文件和文件夾）都是通過Namenode來控制。
下面是HDFS的結(jié)構(gòu)：
從上面的圖中可以看 出，Namenode，Datanode，Client之間的通信都是建立在TCP/IP的基礎(chǔ)之上的。當(dāng)Client要執(zhí)行一個(gè)寫入的操作的時(shí)候，命令 不是馬上就發(fā)送到Namenode，Client首先在本機(jī)上臨時(shí)文件夾中緩存這些數(shù)據(jù)，當(dāng)臨時(shí)文件夾中的數(shù)據(jù)塊達(dá)到了設(shè)定的Block的值（默認(rèn)是 64M）時(shí)，Client便會(huì)通知Namenode，Namenode便響應(yīng)Client的RPC請求，將文件名插入文件系統(tǒng)層次中并且在 Datanode中找到一塊存放該數(shù)據(jù)的block，同時(shí)將該Datanode及對應(yīng)的數(shù)據(jù)塊信息告訴Client，Client便這些本地臨時(shí)文件夾中 的數(shù)據(jù)塊寫入指定的數(shù)據(jù)節(jié)點(diǎn)。
HDFS采取了副本策略，其目的是為了提高系統(tǒng)的可靠性，可用性。HDFS的副本放置策略是三個(gè)副本， 一個(gè)放在本節(jié)點(diǎn)上，一個(gè)放在同一機(jī)架中的另一個(gè)節(jié)點(diǎn)上，還有一個(gè)副本放在另一個(gè)不同的機(jī)架中的一個(gè)節(jié)點(diǎn)上。當(dāng)前版本的hadoop0.12.0中還沒有實(shí) 現(xiàn)，但是正在進(jìn)行中，相信不久就可以出來了。
2、MapReduce的實(shí)現(xiàn)
MapReduce是Google 的一項(xiàng)重要技術(shù)，它是一個(gè)編程模型，用以進(jìn)行大數(shù)據(jù)量的計(jì)算。對于大數(shù)據(jù)量的計(jì)算，通常采用的處理手法就是并行計(jì)算。至少現(xiàn)階段而言，對許多開發(fā)人員來 說，并行計(jì)算還是一個(gè)比較遙遠(yuǎn)的東西。MapReduce就是一種簡化并行計(jì)算的編程模型，它讓那些沒有多少并行計(jì)算經(jīng)驗(yàn)的開發(fā)人員也可以開發(fā)并行應(yīng)用。
MapReduce的名字源于這個(gè)模型中的兩項(xiàng)核心操作：Map和 Reduce。也許熟悉Functional Programming（函數(shù)式編程） 的人見到這兩個(gè)詞會(huì)倍感親切。簡單的說來，Map是把一組數(shù)據(jù)一對一的映射為另外的一組數(shù)據(jù)，其映射的規(guī)則由一個(gè)函數(shù)來指定，比如對[1, 2, 3, 4]進(jìn)行乘2的映射就變成了[2, 4, 6, 8]。Reduce是對一組數(shù)據(jù)進(jìn)行歸約，這個(gè)歸約的規(guī)則由一個(gè)函數(shù)指定，比如對[1, 2, 3, 4]進(jìn)行求和的歸約得到結(jié)果是10，而對它進(jìn)行求積的歸約結(jié)果是24。
關(guān)于MapReduce的內(nèi)容，建議看看孟巖的這篇MapReduce:The Free Lunch Is Not Over! 這篇算是介紹的比較詳細(xì)的。MapReduce的算法內(nèi)容見Google文檔：
MapReduce.pdf
有關(guān)其它介紹Hadoop的文章建議看下：
分布式計(jì)算開源框架Hadoop介紹 。（what，why，how提的不錯(cuò)）
安裝配置可以看：1、
Hadoop中的集群配置和使用技巧
2、
Hadoop應(yīng)用之Hadoop安裝篇
3、
Hadoop安裝部署指南
如果要開發(fā)的話，初步參考：
Hadoop基本流程與應(yīng)用開發(fā)
其中用到數(shù)據(jù)庫的部分，在Hadoop的0.19.0開始支撐數(shù)據(jù)庫訪問，主要采用DBInputFormat來訪問數(shù)據(jù)庫。文章可見：
Hadoop中的數(shù)據(jù)庫訪問