1          Hadoop是什么

Hadoop原來是Apache Lucene下的一個子項目，它最初是從Nutch項目中分離出來的專門負責分布式存儲以及分布式運算的項目。簡單地說來，Hadoop是一個可以更容易開發(fā)和運行處理大規(guī)模數(shù)據(jù)的軟件平臺。下面列舉hadoop主要的一些特點：

1         擴容能力（Scalable）：能可靠地（reliably）存儲和處理千兆字節(jié)（PB）數(shù)據(jù)。

2         成本低（Economical）：可以通過普通機器組成的服務器群來分發(fā)以及處理數(shù)據(jù)。這些服務器群總計可達數(shù)千個節(jié)點。

3         高效率（Efficient）：通過分發(fā)數(shù)據(jù)，hadoop可以在數(shù)據(jù)所在的節(jié)點上并行地（parallel）處理它們，這使得處理非常的快速。

4         可靠性（Reliable）：hadoop能自動地維護數(shù)據(jù)的多份復制，并且在任務失敗后能自動地重新部署（redeploy）計算任務。

Hadoop實現(xiàn)了一個分布式文件系統(tǒng)（Hadoop Distributed File System），簡稱HDFS。HDFS有著高容錯性（fault-tolerent）的特點，并且設計用來部署在低廉的（low-cost）硬件上。而且它提供高傳輸率（high throughput）來訪問應用程序的數(shù)據(jù)，適合那些有著超大數(shù)據(jù)集（large data set）的應用程序。HDFS放寬了（relax）POSIX的要求（requirements）這樣可以流的形式訪問（streaming access）文件系統(tǒng)中的數(shù)據(jù)。

Hadoop還實現(xiàn)了MapReduce分布式計算模型。MapReduce將應用程序的工作分解成很多小的工作小塊(small blocks of work)。HDFS為了做到可靠性（reliability）創(chuàng)建了多份數(shù)據(jù)塊（data blocks）的復制（replicas），并將它們放置在服務器群的計算節(jié)點中（compute nodes），MapReduce就可以在它們所在的節(jié)點上處理這些數(shù)據(jù)了。

如下圖所示：

Hadoop API被分成（divide into）如下幾種主要的包（package）

          org.apache.hadoop.conf     定義了系統(tǒng)參數(shù)的配置文件處理API。

          org.apache.hadoop.fs          定義了抽象的文件系統(tǒng)API。

          org.apache.hadoop.dfs       Hadoop分布式文件系統(tǒng)（HDFS）模塊的實現(xiàn)。

          org.apache.hadoop.io         定義了通用的I/O API，用于針對網(wǎng)絡，數(shù)據(jù)庫，文件等數(shù)據(jù)對象做讀寫操作。

          org.apache.hadoop.ipc       用于網(wǎng)絡服務端和客戶端的工具，封裝了網(wǎng)絡異步I/O的基礎模塊。

          org.apache.hadoop.mapred         Hadoop分布式計算系統(tǒng)（MapReduce）模塊的實現(xiàn)，包括任務的分發(fā)調(diào)度等。

          org.apache.hadoop.metrics        定義了用于性能統(tǒng)計信息的API，主要用于mapred和dfs模塊。

          org.apache.hadoop.record 定義了針對記錄的I/O API類以及一個記錄描述語言翻譯器，用于簡化將記錄序列化成語言中性的格式（language-neutral manner）。

          org.apache.hadoop.tools    定義了一些通用的工具。

          org.apache.hadoop.util       定義了一些公用的API。

下面逐個從源代碼中剖析這幾個主要模塊的框架以及運作原理