Hadoop知识总结（最终总结）.docVIP

本文档主要是针对Hadoop最基本知识的了解，对于刚刚接触Hadoop学习过程中的总结。 Hadoop是什么 Hadoop是一个分布式系统基础架构，由Apache基金会开发。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力高速运算和存储。Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有着高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上。而且它提供高传输率（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX（Portable Operating System Interface可移植操作系统接口）的要求（requirements）这样可以流的形式访问（streaming access）文件系统中的数据。 Hadoop发展历史 2004年，Google发表论文，向全世界介绍了MapReduce。 2005年初，为了支持Nutch搜索引擎项目，Nutch的开发者基于Google发布的MapReduce报告，在Nutch上开发了一个可工作的MapReduce应用。 2005年年中，所有主要的Nutch算法被移植到使用MapReduce和NDFS(Nutch Distributed File System )来运行。 2006年1月，Doug Cutting加入雅虎，Yahoo!提供一个专门的团队和资源将Hadoop发展成一个可在网络上运行的系统。 2006年2月，Apache Hadoop项目正式启动以支持MapReduce和HDFS的独立发展。 2007年，百度开始使用Hadoop做离线处理，目前差不多80%的Hadoop集群用作日志处理。 2007年，中国移动开始在“大云”研究中使用Hadoop技术，规模超过1000台。 2008年，淘宝开始投入研究基于Hadoop的系统——云梯，并将其用于处理电子商务相关数据。云梯1的总容量大概为9.3PB，包含了1100台机器，每天处理约18000道作业，扫描500TB数据。 2008年1月，Hadoop成为Apache顶级项目。 2008年2月，Yahoo!宣布其搜索引擎产品部署在一个拥有1万个内核的Hadoop集群上。 2008年7月，Hadoop打破1TB数据排序基准测试记录。Yahoo!的一个Hadoop集群用209秒完成1TB数据的排序 ，比上一年的纪录保持者保持的297秒快了将近90秒。 2009 年 3 月，Cloudera推出CDH(Cloudera’s Distribution including Apache Hadoop)平台，完全由开放源码软件组成，目前已经进入第3版。 2009年5月，Yahoo的团队使用Hadoop对1 TB的数据进行排序只花了62秒时间。 2009年7月 ，Hadoop Core项目更名为Hadoop Common; 2009年7月 ，MapReduce 和 Hadoop Distributed File System (HDFS) 成为Hadoop项目的独立子项目。 2009年7月 ，Avro 和 Chukwa 成为Hadoop新的子项目。 2010年5月 ，Avro脱离Hadoop项目，成为Apache顶级项目。 2010年5月 ，HBase脱离Hadoop项目，成为Apache顶级项目。 2010年5月，IBM提供了基于Hadoop 的大数据分析软件——InfoSphere BigInsights，包括基础版和企业版。 2010年9月，Hive( Facebook) 脱离Hadoop，成为Apache顶级项目。 2010年9月，Pig脱离Hadoop，成为Apache顶级项目。 2011年1月，ZooKeeper 脱离Hadoop，成为Apache顶级项目。 2011年3月，Apache Hadoop获得Media Guardian Innovation Awards 。 2011年3月， Platform Computing 宣布在它的Symphony软件中支持Hadoop MapReduce API。 2011年5月，Mapr Technologies公司推出分布式文件系统和MapReduce引擎——MapR Distribution for Apache Hadoop。 2011年5月，HCatalog 1.0发布。该项目由Hortonworks 在2010年3月份提出，HCatalog主要用于解决数据存储、元数据的问题，主要解决HDFS的瓶颈，它提供了一个地方来存储数据的状态信息，这使得 数据清理和归档工具可