Hadoop是Apache软件基金会所开发的并行计算框架与分布式文件系统。最核心的模块包括Hadoop Common、HDFS与MapReduce。
HDFS
HDFS是Hadoop分布式文件系统（Hadoop Distributed File System）的缩写，为分布式计算存储提供了底层支持。采用Java语言开发，可以部署在多种普通的廉价机器上，以集群处理数量积达到大型主机处理性能。
HDFS 架构原理
HDFS采用master/slave架构。一个HDFS集群包含一个单独的NameNode和多个DataNode。
NameNode作为master服务，它负责管理文件系统的命名空间和客户端对文件的访问。NameNode会保存文件系统的具体信息，包括文件信息、文件被分割成具体block块的信息、以及每一个block块归属的DataNode的信息。对于整个集群来说，HDFS通过NameNode对用户提供了一个单一的命名空间。
DataNode作为slave服务，在集群中可以存在多个。通常每一个DataNode都对应于一个物理节点。DataNode负责管理节点上它们拥有的存储，它将存储划分为多个block块，管理block块信息，同时周期性的将其所有的block块信息发送给NameNode。
下图为HDFS系统架构图，主要有三个角色，Client、NameNode、DataNode。
文件写入时：
Client向NameNode发起文件写入的请求。
NameNode根据文件大小和文件块配置情况，返回给Client它所管理部分DataNode的信息。
Client将文件划分为多个block块，并根据DataNode的地址信息，按顺序写入到每一个DataNode块中。
当文件读取：
Client向NameNode发起文件读取的请求。
NameNode返回文件存储的block块信息、及其block块所在DataNode的信息。
Client读取文件信息。
HDFS 数据备份
HDFS被设计成一个可以在大集群中、跨机器、可靠的存储海量数据的框架。它将所有文件存储成block块组成的序列，除了最后一个block块，所有的block块大小都是一样的。文件的所有block块都会因为容错而被复制。每个文件的block块大小和容错复制份数都是可配置的。容错复制份数可以在文件创建时配置，后期也可以修改。HDFS中的文件默认规则是write one（一次写、多次读）的，并且严格要求在任何时候只有一个writer。NameNode负责管理block块的复制，它周期性地接收集群中所有DataNode的心跳数据包和Blockreport。心跳包表示DataNode正常工作，Blockreport描述了该DataNode上所有的block组成的列表。
备份数据的存放：
备份数据的存放是HDFS可靠性和性能的关键。HDFS采用一种称为rack-aware的策略来决定备份数据的存放。通过一个称为Rack Awareness的过程，NameNode决定每个DataNode所属rack id。缺省情况下，一个block块会有三个备份，一个在NameNode指定的DataNode上，一个在指定DataNode非同一rack的DataNode上，一个在指定DataNode同一rack的DataNode上。这种策略综合考虑了同一rack失效、以及不同rack之间数据复制性能问题。
副本的选择：
为了降低整体的带宽消耗和读取延时，HDFS会尽量读取最近的副本。如果在同一个rack上有一个副本，那么就读该副本。如果一个HDFS集群跨越多个数据中心，那么将首先尝试读本地数据中心的副本。
安全模式：
系统启动后先进入安全模式，此时系统中的内容不允许修改和删除，直到安全模式结束。安全模式主要是为了启动检查各个DataNode上数据块的安全性。
MapReduce
MapReduce 来源
MapReduce是由Google在一篇论文中提出并广为流传的。它最早是Google提出的一个软件架构，用于大规模数据集群分布式运算。任务的分解（Map）与结果的汇总（Reduce）是其主要思想。Map就是将一个任务分解成多个任务，Reduce就是将分解后多任务分别处理，并将结果汇总为最终结果。熟悉Function Language的人一定感觉很熟悉，不是什么新的思想。
MapReduce 处理流程
上图就是MapReduce大致的处理流程。在Map之前，可能还有对输入数据的Split过程以保证任务并行效率，在Map之后可能还有Shuffle过程来提高Reduce的效率以及减小数据传输的压力。
Hadoop
Hadoop被定位为一个易于使用的平台，以HDFS、MapReduce为基础，能够运行上千台PCServer组成的系统集群，并以一种可靠、容错的方式分布式处理请求。
Hadoop 部署
下图显示Hadoop部署结构示意图
在Hadoop的系统中，会有一台master，主要负责NameNode的工作以及JobTracker的工作。JobTracker的主要职责就是启动、跟踪和调度各个Slave的任务执行。还会有多台slave，每一台slave通常具有DataNode的功能并负责TaskTracker的工作。TaskTracker根据应用要求来结合本地数据执行Map任务以及Reduce任务。
Hadoop 处理流程
在描述Hadoop处理流程之前，先提一个分布式计算最为重要的设计原则：Moving Computation is Cheaper than Moving Data。意思是指在分布式计算中，移动计算的代价总是低于移动数据的代价。本地计算使用本地数据，然后汇总才能保证分布式计算的高效性。
下图所示Hadoop处理流程：
Hadoop 安装
到目前为止，已经完成了基础理论的介绍，下面介绍Hadoop的安装过程。
硬件条件：3台PCServer。
HostName |
IP |
Plan |
fa1 |
10.143.20.211 |
master |
fa2 |
10.143.20.212 |
slave |
fa3 |
10.143.20.213 |
slave |
预装：操作系统Linux，JDK1.6，ssh，并且保证 sshd一直运行。
安装步骤：
1． 在所有机器上新建hadoop用户，home目录设置为/home/hadoop/
2． 下载Hadoop（这里下载的是hadoop-0.18.3），先解压到master上。
3． 进入/home/hadoop/hadoop-0.18.3/conf目录，修改hadoop-site.xml文件。
hadoop-site.xml文件默认配置为空，它主要被用来覆盖hadoop-default.xml的系统级配置。
<property>
<name>fs.default.name</name>
<value>hdfs:// 10.143.20.211:8980/</value>
</property>
<property>
<name>mapred.job.tracker</name>
<value>hdfs:// 10.143.20.211:8990/</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/hadoop-0.18.3/tmp/</value>
</property>
<property>
<name> dfs.block.size </name>
<value>51200</value>
</property>
4． 进入/home/hadoop/hadoop-0.18.3/conf目录，修改hadoop-env.sh文件。
export JAVA_HOME= /usr/lib/java6
5． 建立master到slave的ssh访问授权。
6． 通过scp将master上的hadoop-0.18.3目录拷贝到所有slave同名目录上。
7． 在每个slave上修改hadoop-env.sh文件，设置JAVA_HOME。
8． 修改profile文件，扩展PATH路径。
export HADOOP_HOME=/home/hadoop/hadoop-0.18.3/
export PATH=$PATH:$HADOOP_HOME/bin
9． 在master上执行hadoop namenode -format
10． 执行start-all.sh启动。