大规模分布式数据处理平台Hadoop的介绍一种可靠、高效、可伸缩的处理方案

http://www.nowamagic.net/librarys/veda/detail/1767 Hadoop是什么

Hadoop原来是Apache Lucene下的一个子项目，它最初是从Nutch项目中分离出来的专门负责分布式存储以及分布式运算的项目。简单地说来，Hadoop是一个可以更容易开发和运行处理大规模数据的软件平台。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力高速运算和存储。

Hadoop 是最受欢迎的在 Internet 上对搜索关键字进行内容分类的工具，但它也可以解决许多要求极大伸缩性的问题。例如，如果您要 grep 一个 10TB 的巨型文件，会出现什么情况？在传统的系统上，这将需要很长的时间。但是 Hadoop 在设计时就考虑到这些问题，采用并行执行机制，因此能大大提高效率。

Hadoop 是一个能够对大量数据进行分布式处理的软件框架。但是 Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的。Hadoop 是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。Hadoop 是高效的，因为它以并行的方式工作，通过并行处理加快处理速度。Hadoop 还是可伸缩的，能够处理 PB 级数据。此外，Hadoop 依赖于社区服务器，因此它的成本比较低，任何人都可以使用。

下面列举hadoop主要的一些特点：

扩容能力（Scalable）：能可靠地（reliably）存储和处理千兆字节（PB）数据。
成本低（Economical）：可以通过普通机器组成的服务器群来分发以及处理数据。这些服务器群总计可达数千个节点。
高效率（Efficient）：通过分发数据，hadoop可以在数据所在的节点上并行地（parallel）处理它们，这使得处理非常的快速。
可靠性（Reliable）：hadoop能自动地维护数据的多份复制，并且在任务失败后能自动地重新部署（redeploy）计算任务。

Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有着高容错性（fault-tolerent）的特点，并且设计用来部署在低廉的（low-cost）硬件上。而且它提供高传输率（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求（requirements）这样可以流的形式访问（streaming access）文件系统中的数据。

Hadoop还实现了MapReduce分布式计算模型。MapReduce将应用程序的工作分解成很多小的工作小块(small blocks of work)。HDFS为了做到可靠性（reliability）创建了多份数据块（data blocks）的复制（replicas），并将它们放置在服务器群的计算节点中（compute nodes），MapReduce就可以在它们所在的节点上处理这些数据了。

如下图所示：

Hadoop API被分成（divide into）如下几种主要的包（package）：

org.apache.hadoop.conf: 定义了系统参数的配置文件处理API。
org.apache.hadoop.fs: 定义了抽象的文件系统API。
org.apache.hadoop.dfs: Hadoop分布式文件系统（HDFS）模块的实现。
org.apache.hadoop.io: 定义了通用的I/O API，用于针对网络，数据库，文件等数据对象做读写操作。
org.apache.hadoop.ipc: 用于网络服务端和客户端的工具，封装了网络异步I/O的基础模块。
org.apache.hadoop.mapred: Hadoop分布式计算系统（MapReduce）模块的实现，包括任务的分发调度等。
org.apache.hadoop.metrics: 定义了用于性能统计信息的API，主要用于mapred和dfs模块。
org.apache.hadoop.record: 定义了针对记录的I/O API类以及一个记录描述语言翻译器，用于简化将记录序列化成语言中性的格式（language-neutral manner）。
org.apache.hadoop.tools: 定义了一些通用的工具。
org.apache.hadoop.util: 定义了一些公用的API。

Hadoop的框架结构

Map/Reduce是一个用于大规模数据处理的分布式计算模型，它最初是由Google工程师设计并实现的，Google已经将它完整的MapReduce论文公开发布了。其中对它的定义是，Map/Reduce是一个编程模型（programming model），是一个用于处理和生成大规模数据集（processing and generating large data sets）的相关的实现。用户定义一个map函数来处理一个key/value对以生成一批中间的key/value对，再定义一个reduce函数将所有这些中间的有着相同key的values合并起来。很多现实世界中的任务都可用这个模型来表达。

Map/Reduce模型计算示意图

Hadoop的Map/Reduce框架也是基于这个原理实现的。

MapReduce的工作流程很不复杂。如上图所示，每个Map（worker）分别读入一定数量的以key-value格式存储的数据块（split0 – split4，64MB/block）。如果是对文本文件做单词统计，那么key-value格式的数据可以这么定义：<String filename, String file_content>。

然后每个Map分别对各自数据进行处理，输出以key-value格式组织的中间结果（Intermediate files）。仍以单词统计为例，Map对数据中每一个出现的单词，输出一个记录<word, "1">。这就是说，在一个Map的输出结果中，有可能出现重复n次<word, "1">（可以通过Combiner对其进行优化，使之输出为<word, "n">，以此来减少网络流量）。

随后通过Shuffle把相同key的中间结果汇集到相同节点上，比如说，上图中3个Map phase的worker都有<word, "1">的中间结果，那么通过Shuffle将这些相同key的记录汇集到同一个Reduce phase的worker上，进而使用一个Reduce处理包含相同key的所有记录。也就是说，所有在Map phase阶段产生的<word, "1">，都会到Reduce phase上的一个worker上被一个Reduce处理，进行归并。最后输出结果。