hadoop基于底层大量物理服务器组成的集群对海量数据进行“分布式”处理。Hadoop是用于处理大规模数据的强大工具，它利用了分布式计算的概念，通过将数据分割成小块并在多个物理服务器上进行处理，从而大大提高了数据处理的速度和效率。
Hadoop是一个开源框架，用于分布式处理海量数据。它通过将数据分散存储在多个节点上，实现了高可用性和高扩展性。Hadoop采用了MapReduce模型，将数据划分为小块，由多个节点并行处理，最终将结果汇总得到最终结果。Hadoop还支持数据压缩、数据加密、容错处理等功能，保证了数据的安全性和可靠性。
Hadoop是一个用于处理大数据的开源框架。Hadoop是一个分布式计算平台，主要用于存储和处理海量数据。其核心组件包括分布式文件系统HDFS和MapReduce编程模型。通过Hadoop，用户可以在大量廉价计算机组成的集群上处理和存储数据，从而实现高可扩展性和高容错性。
Hadoop集群指的是一组相互连接的计算机集群，用于存储和处理大规模数据集。它可以自动将大数据集分成多个小数据块，分配到不同的节点中进行处理，从而实现并行处理的目的。
Hadoop是一个用于处理大规模数据集的开源软件框架，主要用于构建分布式数据处理应用。它允许在大量廉价计算机集群上进行数据的可靠处理和存储，其核心组件包括分布式文件系统HDFS、分布式计算框架MapReduce和分布式数据存储系统YARN等。其主要功能是实现数据的高效存储、处理和分布式计算。
1、三）高效性。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。（四）高容错性。Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。（二） 缺点：（一）不适合低延迟数据访问。（二）无法高效存储大量小文件。
2、分布式RPC。由于Storm的处理组件是分布式的，而且处理延迟极低，所以可以作为一个通用的分布式RPC框架来使用。SparkSpark是一个基于内存计算的开源集群计算系统，目的是更快速的进行数据分析。
3、在大数据后期，一些以数据快速查询为目标而特殊设计的数据存储格式成为标准，这个现象才有所改观。而HBase的优化核心就是重新设计的存储引擎，使得HBase可以对数据本身进行查询速度的优化。0延迟高 构建在Hadoop之上的数仓引擎，除了效率低的缺点之外，还面临着高延迟的挑战。
4、英特尔至强7400/7500系列处理器已经为百度的Hadoop集群奠定了坚实的硬件基础。今年，英特尔发布的至强E5平台在性能、吞吐量和带宽方面都有显著提升。
5、HDFS，即Hadoop分布式文件系统，是Hadoop架构的基础。它通过将大文件拆分成多个小块，并在多台节点上分散存储，实现了数据的冗余备份，确保了在任何节点故障时仍能维持数据完整性，同时，它以其高吞吐量和低延迟的特性，特别适合处理海量数据的存储和访问。
6、缺点 低延迟数据访问 低延迟数据。如和用户进行交互的应用，需要数据在毫秒或秒的范围内得到响应。由于hadoop针对高数据吞吐量做了优化，牺牲了获取数据的延迟，所以对于低延迟来说，不适合用hadoop来做。大量的小文件 Hdfs支持超大的文件，是通过数据分布在数据节点，数据的元数据保存在名字节点上。
eBay利用Hadoop建立的集群系统特点主要体现在其可扩展性、成本效益、容错性以及处理大数据的能力上。 可扩展性：Hadoop作为一个分布式计算框架，其设计初衷就是为了处理大规模数据。eBay的Hadoop集群能够轻松地扩展到数千个节点，从而满足不断增长的数据处理需求。
首先，是GFS（Google File System），一个分布式文件系统。它隐藏了底层的负载均衡和冗余复制等复杂操作，为上层应用提供了统一的文件系统接口。Google对GFS进行了优化，适应了大文件访问、读操作远多于写操作以及PC机故障导致节点失效等场景。
IBM蓝云使用的技术包括：Xen和PowerVM虚拟化的Linux操作系统映像及Hadoop并行工作量调度，并发布了自己的Hadoop发行版及大数据解决方案。Last.FmLast.Fm主要用于图表计算、专利申报、日志分析、A/B测试、数据集合并等，也使用Hadoop对超过百万的曲目进行大规模的音频特征分析。