这些组件图标，你熟悉其中哪些呢？

一、分布式文件系统HDFS

Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（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。

Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，而MapReduce则为海量的数据提供了计算。

HDFS 采用主从（Master/Slave）架构模型，分为 NameNode（名称节点）、SecondaryNameNode（第二名称节点）、DataNode（数据节点）这几个角色。

二、分布式计算框架 MapReduce

Map表示映射；Reduce表示规约。

MapReduce 是一个分布式并行计算的编程框架。MapReduce 核心功能是将用户编写的业务逻辑代码和Hadoop自带默认组件整合成一个完整的分布式运算程序 ，并发运行在一个 Hadoop 集群上。引入 MapReduce 框架后，开发人员可以将绝大部分工作集中在业务逻辑的开发上 ，而将分布式计算中的复杂性交由框架来处理。

MapReduce 采用“分而治之”的思想，把对大规模数据集的操作，分发给一个主节点管理下的各个分节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。简单地说， MapReduce就是“任务的分解与结果的汇总”。

三、分布式数据库HBase

HBase 是 Hadoop 的数据库， HBase 是一个分布式的、面向列的开源数据库 ，它不同于一般的关系数据库，是一个适合非结构化数据存储的数据库 。 HBase 利用 Hadoop 的 HDFS 作为其文件存储系统，利用 ZooKeeper 作为其协调工具，非常适合用来进行大数据的实时读写。

四、数据仓库Hive

Hive 是基于 Hadoop 的一个数据仓库工具，可以将类 SQL 语句转换为 MapReduce 任务进行运行。其优点是学习成本低，可以通过类 SQL 语句快速实现简单的 MapReduce 统计，不必开发专门的 MapReduce 应用。

其实Hive 就是一个 SQL 解析引擎， Hive 定义了简单的类 SQL查询语言 ， 它允许熟悉 SQL 语言的用户查询数据，它将SQL 语句转译成 MapReduce 作业， 然后在 Hadoop 中执行，来达到快速开发的目的。

Hive在某种程度上可以看作是用户编程接口，本身不存储和处理数据，依赖HDFS存储数据，依赖MapReduce处理数据。

五、准实时分析系统 Impala

Impala 是 Cloudera 公司主导开发 的新型查询系统，它提供 SQL语义，能够为存储在 Hadoop的 HDFS 和 HBase 中的 PB 级大数据提供快速、交互式的 SQL 查询。已有的 Hive 数据仓库工具由于底层执行使用的是 MapReduce 引擎，仍然是一个批处理过程，难以满足要求响应快速的交互式查询。而 Impala 是基于 MPP 的查询系统，它的最大特点就是快速，其性能比Hive高出3-30倍。

使用 Impala 来实现对海量数据的实时查询分析，它的优势有：

• 可以方便地执行 SQL 语句，在数秒内返回查询分析结果；
• 可以直接查询存储在 HDFS 上的原生数据；
• 可以非常容易地与 Hadoop系统整合，并使用 Hadoop 生态系统的资源和优势。

就目前而言，Hive 通常用于批处理，而 Impala 是理想的交互式查询和数据分析工具。