虽然hadoop经历了多年的发展，作为技术人员都或多或少的使用过或者了解过。这里还是做一个简单的总结，主要原因是之前主要是做hadoop的开发，对hadoop的运维知之甚少，但真正的接触到hadoop运维的工作的时候，其实会发现，对hadoop的一整套框架和理论知识都需要系统的学习，才能把工作做得更好，同时做基于hadoop的数据分析工作的时候，也时常会涉及到一些hadoop参数的调优。因此，在这里做一个简单的总结。由于是自己查阅资料并结合工作进行总结的，不免有疏漏或者错误之处，遇到了敬请一并指出。
一、hadoop是什么：
hadoop是Apache下使用JAVA开发的一个集分布式存储和分布式计算分析于一体的开源软件框架。其中最核心的设计是HDFS和MapReduce，HDFS对大数据存储提供支持，MapReduce则是分布式的计算框架。基于HDFS和MapReduce，hadoop还提供了类SQL分析查询工具HIVE和KV数据库Hbase，以及最近活跃的内存计算引擎Spark等等。
下面将简单介绍其中的几个组件运行机制及操作方法：HDFS、MapReduce、Hive
二、HDFS：
HDFS是为用户提供分布式的文件存储服务的软件框架，主要有以下几个方面的特点：
1、高容错性：由于HDFS的文件备份机制，一份文件会同时在HDFS集群中不同的机器甚至机架上备份多份文件，因此保证了文件不会因某一台机器出现故障而导致数据丢失的情况。
2、数据批处理：HDFS设计就是用来存储大数据文件的、一次写入、多次读取的应用场景而设计的。
3、使用BLOCK作为基本的存储单元：在HDFS中，使用block(文件块)作为基本数据存储单元，一个block空间为64M或者128M（可由用户自定义配置），一个文件会切分为多个block存储在HDFS中，方便了文件的管理和读取。
一个HDFS集群基本由3部分组成：client、namenode、datanode，表现为一个主从的结构，如下图所示：
namenode:HDFS master节点，负责维护整个HDFS的元数据信息，包括文件目录树和文件写记录信息，并且这些信息是维护在内存中。由于HDFS中的文件是以block单位组织的，一个文件的一个block的元数据大小约为130字节，一个文件大小小于block size的文件在HDFS中也会占据一个block（尽管在物理硬盘上实际没有占据这么大的空间），假设有1000万个文件，则会在namenode中消耗约2G的内存(由于文件有多份备份，实际消耗的可能更多)。
datanode:slave节点，负责保存文件的具体数据，并时刻向namenode汇报节点的状态和block信息。
client：向namenode发起文件读写请求，然后从datanode中读写数据。
可以看到，由于namenode是把数据直接放在内存中的，尽管也有checkpoint机制将文件元数据信息持久化到内存中，但单点问题还是导致整个集群的稳定性较差。
HDFS容错机制：
seconday namenode：
seconday namenode本身不对外提供服务，只是实时将namenode的信息同步过来，并完成写日志的合并操作，再将这些信息写入磁盘，因此在namenode挂了之后，可以通过seconday namenode的信息将元数据恢复过来。由于namenode和seconday namenode本身并不会持久化block的状态信息，因此恢复过程中，需要datanode将自己所维护的block状态信息发送给新的namenode，同时由于HDFS的元数据信息是从磁盘恢复到内存，因此恢复集群的服务需要一定的时间。
HDFS HA：
HDFS HA机制增加一个standby节点来提高HDFS的集群服务稳定性
Active namenode节点对外提供服务，Standby namenode节点实时同步Active namenode节点的元数据信息和写日志到自己的内存中，并且Active namenode和Standby namenode都可以配置自己的seconday namenode。集群中的datanode节点不仅需要将自己的状态信息发送给Active namenode，也需要将这些信息发送给Standby namenode，因此保证了Active namenode和Standby namenode的数据一致性。当Active namenode节点挂掉之后，我们可以直接热切换到Standby namenode，因此对外界来讲，集群服务的故障时间是很短暂的，基本保证了整个HDFS集群的高可用性。
HDFS文件写入过程：
client端首先向namenode发起文件写请求，namenode根据集群的状态和datanode的空闲情况，确定待写入文件的datanode节点位置信息并将这些信息返回给client。client获得datanode节点位置信息后向datanode节点发起具体的文件写入请求，然后将文件逐步读入client的内存缓冲区，当client的内存缓冲区的大小达到一个block size大小时，把数据发送给datanode1，datanode1完成数据接收后 向另外一个datanode拷贝这份文件，形成备份文件，之后datanode1向namenode发送消息，报告文件的位置信息，最终结束写事件。
HDFS文件读过程：
client向namenode发起文件读请求，namenode判断请求的文件是否存在，如果不存在就直接返回，否则，namenode将返回该文件及其备份所在的datanode及具体的block信息。client拿到datanode和block信息信息后，向具体的datanode发起文件读请求并发送block信息，datanode拿到block信息后读取block对应的文件数据并将数据返回给client，如果整个数据读取结束，就完成了HDFS的读数据的过程。如果中途有datanode挂了的话，client则去读其文件副本所在的datanode的文件数据。
下一节将简要介绍MapReduce的过程。