阿里巴巴采用了 15 个节点组成的 Hadoop 集群，用于处理从数据库中导出的商业数据的排序和组合。
Ebay 使用了 32 个节点组成的集群，包括 8 * 532 个计算核心以及 5.3 PB 的存储。该公司大量使用了 Java 编写的 MapReduce 应用，以及 Pig 、 Hive 和 HBase 的组合应用以研究搜索优化。
Facebook 主要使用 Hadoop 来存储内部日志和结构化数据源的副本，并且将其作为数据报告、数据分析和机器学习的数据源。
什么是Hadoop？
Apache Hadoop 是一款支持数据密集型分布式应用并以 Apache 2.0 许可协议发布的开源软件框架。
Hadoop 框架透明地为应用提供可靠性和数据移动。它实现了名为 MapReduce 的编程范式：应用程序被分割成许多小部分，而每个部分都能在集群中的任意节点上执行或重新执行。
此外，Hadoop 还提供了分布式文件系统，用以存储所有计算节点的数据，这为整个集群带来了非常高的带宽。
核心概念
Hadoop 项目主要包含了以下四个模块：
1. Hadoop 通用模块（Hadoop Common）: 为其他 Hadoop 模块提供支持的公共实用程序。
2. Hadoop 分布式文件系统（HDFS, Hadoop Distributed File System）：提供对应用程序数据的高吞吐量访问的分布式文件系统。
3. Hadoop YARN: 任务调度和集群资源管理框架。
4. Hadoop MapReduce: 基于 YARN 的大规模数据集并行计算框架。
对于初次学习 Hadoop 的用户而言，应重点关注 HDFS 和 MapReduce。作为一个分布式计算框架，HDFS 承载了该框架对于数据的存储需求，而 MapReduce 满足了该框架对于数据的计算需求。
下图是 Hadoop 集群的基本架构：
Hadoop 生态体系
如同 Facebook 在 Hadoop 的基础上衍生了 Hive 数据仓库一样，社区中还有大量与之相关的开源项目，下面列出了一些近期比较活跃的项目：
HBase：一个可伸缩的、支持大表的结构化数据存储的分布式数据库。
Hive：提供数据汇总和临时查询的数据仓库基础框架。
Pig：用于并行计算的高级数据流语言和执行框架。
ZooKeeper：适用于分布式应用的高性能协调服务。
Spark：一个快速通用的 Hadoop 数据计算引擎，具有简单和富有表达力的编程模型，支持数据 ETL（提取、转换和加载）、机器学习、流处理和图形计算等方面的应用。
值得特别关注的是，Spark 这一分布式内存计算框架就是脱胎于 Hadoop 体系的，它对 HDFS 、YARN 等组件有了良好的继承，同时也改进了 Hadoop 现存的一些不足。部分学习者可能会对 Hadoop 和 Spark 的使用场景重叠产生疑问，但学习 Hadoop 的工作模式和编程模型，将有利于加深对 Spark 框架的理解，这也是本系列课程首先学习 Hadoop 的原因。
部署 Hadoop
Hadoop 主要有以下三种部署模式：
单机模式：在单台计算机上以单个进程的模式运行。
伪分布式模式：在单台计算机上以多个进程的模式运行。该模式可以在单节点下模拟“多节点”的场景。
完全分布式模式：在多台计算机上分别以单个进程的模式运行。
具体的部署步骤以及详细的教程大家可以点击文末 阅读原文 进行学习，因为内容还是比较广泛和充实的：
实验1：Hadoop 简介与安装部署
挑战1：Hadoop 系统部署
实验2：HDFS 架构与操作
实验3：MapReduce 原理与实践
挑战2：使用 MapReduce 进行日志分析
实验4：YARN 架构
挑战3：用 Hadoop 计算圆周率
实验5：HBase 基础
挑战4：HBase 数据导入
实验6：Sqoop 数据迁移
挑战5：HBase 实现 Web 日志场景数据处理
实验7：Solr 基础实战
实验8：Hive 基础实战
挑战6：导入数据到 Hive
实验9：Flume 基础实战
实验10：Flume、HDFS 和 Hive 实现日志收集和分析
挑战7：用 Flume 和 MapReduce 进行日志分析
实验11：Kafka 基础实战
挑战8：按需部署 Kafka
实验12：使用 Flume 和 Kafka 实现实时日志收集
实验13：Pig 基础实战
只要是你有一定的计算机基础和 Java 基础，并且对 Hadoop 感兴趣，相信都是可以完整地学下来的，大家加油！
相关阅读