CDH和Hadoop是两个在大数据领域非常受欢迎的开源软件。本文将对它们进行比较，并给出一些使用示例。

CDH和Hadoop的概述

CDH（Cloudera's Distribution Including Apache Hadoop）是一种基于Hadoop的发行版，由Cloudera公司开发和维护。它提供了一套完整的、企业级的大数据解决方案，包括Hadoop、Hive、HBase、Spark等。

Hadoop是Apache基金会的一个开源项目，它提供了一个可扩展的、分布式的存储和计算平台，用于处理大规模数据集。Hadoop的核心组件包括Hadoop Distributed File System（HDFS）和Hadoop MapReduce。

CDH和Hadoop的功能比较

CDH和Hadoop都提供了存储和计算的能力，但CDH在功能和扩展性方面更加强大。下面是一些CDH相对于Hadoop的优势：

  1. 管理和安装：CDH提供了易于使用的管理界面和安装工具，使部署和管理集群变得更加简单。
  2. 安全性：CDH提供了一套完善的安全机制，包括身份验证、授权和审计，以保护数据的机密性和完整性。
  3. 数据处理：CDH支持多种数据处理框架，如MapReduce、Spark和Impala，可以根据不同的需求选择最适合的工具。
  4. 数据仓库：CDH提供了Hive和HBase等工具，方便用户进行数据仓库的构建和查询。
  5. 可视化工具：CDH提供了一些可视化工具，如Cloudera Manager和Impala Query UI，用于监控和管理集群。

CDH和Hadoop的使用示例

下面是一个使用CDH和Hadoop进行数据处理的示例。假设我们有一个文本文件，其中包含一些单词，我们要计算每个单词出现的次数。

首先，我们需要将文本文件上传到HDFS中：

```mermaid
gantt
    dateFormat  YYYY-MM-DD
    title Example Gantt Chart

    section Upload File
    上传文件到HDFS  :done, 2022-01-01, 1d

    section Word Count
    启动MapReduce作业 :done, 2022-01-02, 1d
    收集结果 :done, 2022-01-03, 1d

    section Clean-up
    删除中间文件 :done, 2022-01-04, 1d

然后，我们可以编写一个MapReduce程序来实现单词计数：

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class WordCount {
  
  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{
    
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();
      
    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }
  
  public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();
  
    public void reduce(Text key, Iterable<IntWritable> values,
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }
  
  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    Job job = Job.getInstance(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);