Hadoop原來是Apache Lucene下的一個(gè)子項(xiàng)目，它最初是從Nutch項(xiàng)目中分離出來的專門負(fù)責(zé)分布式存儲(chǔ)以及分布式運(yùn)算的項(xiàng)目。簡單地說來，Hadoop是一個(gè)可以更容易開發(fā)和運(yùn)行處理大規(guī)模數(shù)據(jù)的軟件平臺(tái)。下面列舉hadoop主要的一些特點(diǎn)：
1 擴(kuò)容能力（Scalable）：能可靠地（reliably）存儲(chǔ)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(jī)器組成的服務(wù)器群來分發(fā)以及處理數(shù)據(jù)。這些服務(wù)器群總計(jì)可達(dá)數(shù)千個(gè)節(jié)點(diǎn)。
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(diǎn)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(dòng)地維護(hù)數(shù)據(jù)的多份復(fù)制，并且在任務(wù)失敗后能自動(dòng)地重新部署（redeploy）計(jì)算任務(wù)。
Hadoop實(shí)現(xiàn)了一個(gè)分布式文件系統(tǒng)（Hadoop Distributed File System），簡稱HDFS。HDFS有著高容錯(cuò)性（fault-tolerent）的特點(diǎn)，并且設(shè)計(jì)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(yīng)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(yīng)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(shí)現(xiàn)了MapReduce分布式計(jì)算模型。MapReduce將應(yīng)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(fù)制（replicas），并將它們放置在服務(wù)器群的計(jì)算節(jié)點(diǎn)中（compute nodes），MapReduce就可以在它們所在的節(jié)點(diǎn)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(shí)現(xiàn)。
org.apache.hadoop.io 定義了通用的I/O API，用于針對網(wǎng)絡(luò)，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(luò)服務(wù)端和客戶端的工具，封裝了網(wǎng)絡(luò)異步I/O的基礎(chǔ)模塊。
org.apache.hadoop.mapred Hadoop分布式計(jì)算系統(tǒng)（MapReduce）模塊的實(shí)現(xiàn)，包括任務(wù)的分發(fā)調(diào)度等。
org.apache.hadoop.metrics 定義了用于性能統(tǒng)計(jì)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(gè)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(gè)從源代碼中剖析這幾個(gè)主要模塊的框架以及運(yùn)作原理
作者：naven 2008-02-21