談到Hadoop就不得不提到Lucene和Nutch。首先，Lucene并不是一個應(yīng)用程序，而是提供了一個純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是一個應(yīng)用程序，是一個以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成為了一個分布式的計算平臺。

其實(shí)，Hadoop并不僅僅是一個用于存儲的分布式文件系統(tǒng)，而是設(shè)計用來在由通用計算設(shè)備組成的大型集群上執(zhí)行分布式應(yīng)用的框架。

Hadoop包含兩個部分：

1、HDFS

即Hadoop Distributed File System (Hadoop分布式文件系統(tǒng))

HDFS具有高容錯性，并且可以被部署在低價的硬件設(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master/slave的結(jié)構(gòu)，就通常的部署來說，在master上只運(yùn)行一個Namenode，而在每一個slave上運(yùn)行一個 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)建和刪除一個文件，把一個文件從一個目錄移到另一個目錄，重命名等等操作。Namenode管理著整個分布式文件系統(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。

2、MapReduce的實(shí)現(xiàn)

MapReduce是Google 的一項(xiàng)重要技術(shù)，它是一個編程模型，用以進(jìn)行大數(shù)據(jù)量的計算。對于大數(shù)據(jù)量的計算，通常采用的處理手法就是并行計算。至少現(xiàn)階段而言，對許多開發(fā)人員來說，并行計算還是一個比較遙遠(yuǎn)的東西。MapReduce就是一種簡化并行計算的編程模型，它讓那些沒有多少并行計算經(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)的人見到這兩個詞會倍感親切。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，這個歸約的規(guī)則由一個函數(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，建議看看這篇文章MapReduce:The Free Lunch Is Not Over!

持續(xù)學(xué)習(xí)中....Hurry

【編輯推薦】

1. 數(shù)據(jù)挖掘中易犯的幾大錯誤
2. 整理索引碎片，提升SQL Server速度
3. 大數(shù)據(jù)平臺：探索數(shù)據(jù)價值
4. Big Data技術(shù)綜述