Hadoop 简介
1. 什么是 Hadoop？
Hadoop 是一个 分布式存储与计算框架，用于大规模数据处理。最初由 Apache 基金会开发，能够处理 PB 级别 的数据，具有 高容错性、可扩展性和高吞吐量 等特点。
2. Hadoop 的核心组件
Hadoop 主要由以下几个核心组件组成：
2.1 HDFS（Hadoop Distributed File System）——分布式存储
HDFS 负责将大文件拆分存储到多个节点上，并进行数据冗余，提高容错能力。
特点：
- 块存储（默认 128MB/256MB）
- 主从架构（NameNode 负责元数据管理，DataNode 负责数据存储）
- 多副本机制（默认 3 份，保证数据安全）
2.2 YARN（Yet Another Resource Negotiator）——资源管理
YARN 负责管理 Hadoop 集群的计算资源，调度作业执行。
特点：
- 任务调度与资源管理分离
- 任务并行处理，提高资源利用率
- 任务失败自动恢复
2.3 MapReduce——分布式计算框架
MapReduce 是 Hadoop 的计算引擎，采用 “Map + Reduce” 计算模型：
- Map（映射）：将数据切分成小任务并并行处理
- Reduce（归约）：汇总 Map 结果，得到最终计算结果
2.4 Hadoop Common
Hadoop 的通用工具库，提供基础 API 以支持 HDFS、YARN 和 MapReduce 交互。
3. Hadoop 的优势
- 高可扩展性：可以横向扩展至成千上万个节点
- 高容错性：数据自动复制，节点故障时数据仍可恢复
- 高吞吐量：适用于大规模批处理任务
- 低成本：可运行在普通商用服务器上
- 开源生态：丰富的组件，如 Hive（SQL 查询）、HBase（NoSQL 数据库）、Spark（内存计算）等
4. Hadoop 的生态系统
Hadoop 生态包含多个大数据处理工具：
| 组件 | 作用 |
|---|---|
| HDFS | 分布式存储 |
| YARN | 资源管理 |
| MapReduce | 分布式计算 |
| Hive | SQL 查询引擎（类似数据库） |
| HBase | 分布式 NoSQL 数据库 |
| Spark | 内存计算框架（比 MapReduce 快） |
| Flink | 流计算框架 |
| Sqoop | 结构化数据导入/导出 |
| Kafka | 分布式消息队列 |
| ZooKeeper | 分布式协调工具 |
5. Hadoop 适用场景
- 离线大数据分析（如日志分析、用户行为分析）
- 数据存储与备份（替代传统数据库）
- 机器学习 & AI（结合 Spark、Flink 进行训练）
- 搜索引擎索引（如 Elasticsearch 后端存储）
- 大规模 ETL 处理（数据清洗、转换）
6. Hadoop vs 其他大数据框架
| 特性 | Hadoop | Spark | Flink |
|---|---|---|---|
| 计算模式 | 批处理（MapReduce） | 内存计算 | 实时流处理 |
| 速度 | 慢 | 快（内存计算） | 更快（低延迟） |
| 适用场景 | 日志分析、数据仓库 | 机器学习、数据分析 | 实时数据流 |
| 生态 | 丰富 | 与 Hadoop 兼容 | 适用于流式数据 |
7. Hadoop 文件系统基本命令
Hadoop 提供了一系列 HDFS 命令来管理文件和目录。
7.1 文件与目录操作
# 查看 HDFS 目录结构
hdfs dfs -ls /path
# 创建目录
hdfs dfs -mkdir /path/to/dir
# 上传文件到 HDFS
hdfs dfs -put localfile /hdfs/path
# 从 HDFS 下载文件
hdfs dfs -get /hdfs/path localfile
# 删除 HDFS 文件或目录
hdfs dfs -rm -r /path/to/delete