大数据入门基础：Hadoop简介

　　1.1.什么是hadoop

　　1.hadoop是apache旗下的一套开源软件平台，可以通过http://apache.org/--->project-

　　 ->hadoop打开

　　2.Hadoop是开源软件，可靠的、分布式、可伸缩的。

　　3.Hadoop提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理

　　4.广义上来说，Hadoop通常是指一个更广泛的概念----hadoop生态圈

　　1.2数据分析故事

　　1.3数据有多大呢

　　数据量进制：

　　1G =1024M

　　1T = 1024G

　　1P = 1024T

　　1E = 1024P

　　1Z = 1024E

　　1Y = 1024Z

　　1N = 1024Y

　　Hadoop 廉价机器

　　去IOE

　　 IBM//ibm小型机.

　　Oracle//oracle数据库服务器 RAC

　　EMC//EMC共享存储设备。

　　1.4分布式

　　由分布在不同主机上的进程协同在一起，才能构成整个应用。

1.分布式软件系统(Distributed Software Systems)

　　2 该软件系统会划分成多个子系统或模块，各自运行在不同的机器上，

　　子系统或模块之间通过网络通信进行协作，实现最终的整体功能

2.分布式应用系统模拟开发

　　需求：可以实现由主节点将运算任务发往从节点，并将各从节点上的任务启动；

　　程序清单：

　　AppMaster

　　AppSlave/APPSlaveThread

　　Task

　　程序运行逻辑流程：

1.5 HADOOP在大数据、云计算中的位置和关系

　　1. 云计算是分布式计算、并行计算、网格计算、多核计算、网络存储、虚拟化、负载均衡等传统计算机技术和互联网技术融合发展的产物。借助IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS（软件即服务）等业务模式，把强大的计算能力提供给终端用户。

　　2. 现阶段，云计算的两大底层支撑技术为“虚拟化”和“大数据技术”

1.6 HADOOP产生背景

　　1. HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

　　2. 2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。

　　——分布式文件系统（GFS），可用于处理海量网页的存储

　　——分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。

　　3. Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。

1.7 HADOOP现状