分布式文件系统HDFS

Hadoop实现了一个名为Hadoop分布式文件系统（HDFS）的分布式文件系统。HDFS具有高容错性，并且设计用于低成本硬件上运行。它能够提供高吞吐量的数据访问，适合处理大规模数据集的应用程序。

Hadoop的核心组成部分包括HDFS和MapReduce。HDFS负责海量数据的存储，而MapReduce则处理海量数据的计算任务。

HDFS采用了主从架构模型，主要包含NameNode（名称节点）、SecondaryNameNode（第二名称节点）和DataNode（数据节点）等角色。

分布式计算框架 MapReduce

MapReduce是一个分布式并行计算框架。Map代表映射，Reduce代表规约。

MapReduce的核心功能是将用户编写的业务逻辑代码与Hadoop自带的默认组件结合，形成完整的分布式计算程序，并在Hadoop集群上并发执行。通过引入MapReduce框架，开发者可以专注于业务逻辑的开发，而将复杂的分布式计算细节交给框架处理。

MapReduce采用“分而治之”的策略，将大规模数据集的操作分发给主节点管理下的各个子节点共同完成，最后整合各节点的中间结果以获得最终结果。简而言之，MapReduce就是任务的分配与结果的汇总。

分布式数据库HBase

HBase是Hadoop的一个分布式、面向列的开源数据库。与传统关系型数据库不同，HBase更适合存储非结构化数据。它利用Hadoop的HDFS作为文件存储系统，并使用ZooKeeper作为协调工具，非常适合进行大数据的实时读写操作。

数据仓库Hive

Hive是基于Hadoop的数据仓库工具，可以将SQL语句转换为MapReduce任务进行执行。其优点在于学习成本低，可以通过SQL语句快速完成简单的MapReduce统计任务，无需专门编写MapReduce程序。

Hive本质上是一个SQL解析引擎，定义了一种简单的SQL查询语言，使得熟悉SQL的用户可以轻松查询数据。Hive将SQL语句转化为MapReduce任务并在Hadoop中执行，从而实现了快速开发。

Hive本身并不存储和处理数据，而是依赖HDFS存储数据，依赖MapReduce处理数据。

准实时分析系统 Impala

Impala是由Cloudera公司主导开发的一种新型查询系统，提供SQL语义，能够对存储在HDFS和HBase中的PB级大数据进行快速、交互式的SQL查询。传统的Hive数据仓库工具由于底层使用的是MapReduce引擎，仍然是批处理过程，难以满足快速响应的需求。而Impala基于MPP（大规模并行处理）架构，其最大的特点是速度极快，性能比Hive高出3到30倍。

使用Impala进行海量数据的实时查询分析具有以下优势： - 能够快速执行SQL语句，几秒钟内返回查询结果。 - 可以直接查询存储在HDFS上的原始数据。 - 可以无缝集成到Hadoop系统中，并利用Hadoop生态系统的优势。

总的来说，Hive通常用于批处理，而Impala则是理想的交互式查询和数据分析工具。