Hadoop的基础架构主要包括HDFS、MapReduce和YARN等核心组件。
Hadoop作为一个大数据处理的开源框架，其基础架构设计为分布式计算提供了强大的支持。具体如下：
HDFS（Hadoop Distributed File System）：它是Hadoop的分布式文件系统，负责存储数据，并保证数据的冗余备份和高可靠性。HDFS设计用来在商用硬件集群上运行，提供高吞吐量的数据访问，非常适合大规模数据集的应用。 MapReduce：这是一个编程模型和一个处理大数据集的相关实现，用于处理结构化和半结构化数据。用户通过编写Map和Reduce函数来处理数据，而底层的MapReduce框架则负责将计算分配到集群中的各个节点上并行执行。 YARN（Yet Another Resource Negotiator）：作为调度和集群资源管理的框架，它负责管理计算资源，在集群中调度用户应用程序，并监控它们的运行状态。 Hadoop架构的特点包括高可靠性、高扩展性、高效性、高容错性和低成本。
高可靠性：Hadoop的数据存储具有多个备份，且集群部署在不同机器上，可以防止单点故障导致的数据丢失。数据处理请求失败时，Hadoop会自动重新部署计算任务。 高扩展性：Hadoop可以在可用的计算机集群间分配数据并完成计算任务，且向集群添加新节点的过程并不复杂，因此可以很容易地对集群进行节点的扩展。 高效性：Hadoop能够在节点之间动态地移动数据，并在数据所在节点进行并行处理，保证了各个节点的动态平衡，从而使得处理速度非常快。 高容错性：Hadoop的分布式文件系统HDFS在存储文件时会在多台机器或多个节点上存储文件的备份副本，当读取文件出错或某一台机器宕机时，系统会调用其他节点上的备份文件，保证程序顺利运行。 低成本：与传统的大型关系数据库相比，Hadoop成本更低，因为它运行在廉价的硬件上。 总之，Hadoop的设计初衷是为了处理海量的数据，并且能够处理多种类型的数据，包括文本、图片、视频和音频等非结构化数据。它利用了分布式计算的优势，可以并行处理大量数据，从而高效地处理大批量数据。
