一.hadoop介绍
二.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。
三.hadoop重要组件
HDFS：分布式文件系统
MAPREDUCE：分布式运算程序开发框架
HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具
HBASE：基于HADOOP的分布式海量数据库
ZOOKEEPER：分布式协调服务基础组件
Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
Oozie：工作流调度框架
Sqoop：数据导入导出工具
Flume：日志数据采集框架
四.hadoop常见项目处理流程
1.数据采集：定制开发采集程序，或使用开源框架FLUME
2.数据预处理：定制开发mapreduce程序运行于hadoop集群
3.数据仓库技术：基于hadoop之上的Hive
4.数据导出：基于hadoop的sqoop数据导入导出工具
5.数据可视化：定制开发web程序或使用kettle等产品
6.整个过程的流程调度：hadoop生态圈中的oozie工具或其他类似开源产品
原文：http://www.cnblogs.com/growth-hong/p/6394699.html