Lucene框架是Doug Cutting开创的开源软件，用Java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎。
2001年年底Lucene成为Apache基金会的一个子项目。
对于海量数据的场景,Lucene面对与Google同样的困难，存储数据困难，检索速度慢。
学习和模仿Google解决这些问题的办法︰微型版Nutch。
可以说Google是Hadoop的思想之源(Google在大数据方面的三篇论文) FS—>HDFS Map-Reduce —>MR BigTable —>HBase
2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会。Hadoop就此正式诞生，标志着大数据时代来临。
2006年3月份，Map-Reduce和NutchDistributed File System (NDFS)分别被纳入到Hadoop 项目中，Hadoop就此正式诞生，标志着大数据时代来临。
名字来源于Doug Cutting儿子的玩具大象，如图：
Hadoop三大发行版本:Apache、Cloudera、Hortonworks。.
Apache版本最原始（最基础）的版本，对于入门学习最好。Cloudera在大型互联网企业中用的较多。Hortonworks文档较好。Hadoop 1.x和Hadoop 2.x区别
HDFS (Hadoop Distributed File System）的架构概述：
NameNode(mn):存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。DataNode(dn):在本地文件系统存储文件块数据，以及块数据的校验和。Secondary NameNode(2nn):用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。图中涉及的技术名词解释如下:
Sqoop:Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如:MySQL，Oracle 等）中的数据导进到Hadoop 的HDFS中，也可以将HDFS的数据导进到关系型数据库中。Flume: Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方,用于收集数据;同时， Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。Kafka: Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性: (1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。 (2）高吞吐量:即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。 (3）支持通过Kafka服务器和消费机集群来分区消息。 (4）支持Hadoop并行数据加载。Storm:Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。Spark:Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。Oozie:Oozie是一个管理Hdoop,作业(job）的工作流程调度管理系统。Hbasg:HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将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，十分适合数据仓库的统计分析。R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。