Hadoop 核心概念解析

Hadoop 权威指南读书笔记 - 入门

前言

在大学里曾经使用过Nutch，实现了一个简单的搜索引擎。工作之后，公司里有同事使用Lucene来做站内搜索。这些年伴随着大数据的兴起，Hadoop已经成为了静态数据处理的标准，号称性能更优且可以处理
流式数据的Spark也发展得如火如荼。记得那时候搜索引擎还是一个高端的技术，是一种非常神秘的存在，能够从纷繁复杂的数据海洋中精确地找到用户想要的信息，这确实能够直观地体现技术的价值。这些年
过去之后，发现搜索这个词不见了，更为的是智能推送。从你希望系统告诉你什么，变成了系统知道你需要什么，这是一步很大的跨越，相信将来没有大数据处理的概念，因为大数据处理是基本的技术。

Hadoop的历史

Hadoop 并不是从石头里面蹦出来的，而是从其他项目演化过来的。其中有两个项目不得不提-Lucence和Nutch。

Lucene其实是一个提供全文文本搜索的函数库，它不是一个应用软件。它提供很多API函数，是一个开放源代码的全文检索引擎工具包，让你可以运用到各种实际应用程序中。它提供了完整的查询引擎和索引引擎
以及部分的文本分析功能。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。

Nutch是一个建立在Lucene核心之上的Web搜索的实现，它是一个真正的应用程序。也就是说，你可以直接下载下来拿过来用。它在Lucene的基础上加了网络爬虫和一些和Web相关的内容。其目的就是想从一个
简单的站内索引和搜索推广到全球网络的搜索上，就像Google和Yahoo一样。

Hadoop 是一个分布式计算的基础架构，用户在不需要了解底层细节的情况下，开发分布式的应用。Hadoop 最重要的是实现了一个分布式的文件系统，这样的文件系统可以架构在价格低廉的集群之上。Hadoop
另外一个重要内容就是MapReduce，一种分布式任务处理的架构。这两个部分构成了Hadoop的基石，Hadoop在创新在于从以前的以应用为中心，转变为以数据为中心。以前是应用获取数据进行处理，现在是将
计算任务发送给数据，然后进行处理。

它主要有以下几个优点：
1. 高可靠性。Hadoop按位存储和处理数据的能力值得人们信赖。
2. 高扩展性。Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。
3. 高效性。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。
4. 高容错性。Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。
5. 低成本。与一体机、商用数据仓库以及QlikView、Yonghong Z-Suite等数据集市相比，hadoop是开源的，项目的软件成本因此会大大降低。

Hadoop 也是由诸多的子项目构成的，下面是组成Hadoop的核心项目：
1. HDFS: Hadoop分布式文件系统(Distributed File System) － HDFS (Hadoop Distributed File System)
2. MapReduce：并行计算框架，0.20前使用 org.apache.hadoop.mapred 旧接口，0.20版本开始引入org.apache.hadoop.mapreduce的新API
3. HBase: 类似Google BigTable的分布式NoSQL列数据库。（HBase和Avro已经于2010年5月成为顶级 Apache 项目）
4. Hive：数据仓库工具，由Facebook贡献。
5. Zookeeper：分布式锁设施，提供类似Google Chubby的功能，由Facebook贡献。
6. Avro：新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制。
7. Pig: 大数据分析平台，为用户提供多种接口。
8. Ambari：Hadoop管理工具，可以快捷的监控、部署、管理集群。
9. Sqoop：于在HADOOP与传统的数据库间进行数据的传递。

HDFS

HDFS 绝对是Hadoop的创举，因为要对大批量的数据进行处理，如果采取集中的方式，那么一定会受限于计算资源的限制，必须采取分布式的架构，利用分而治之的思想才能将负载分发到整个集群中去，分布式
文件系统就应运而生了。分布式的存储使得文件存放在众多的节点上，而只需要一个节点去记录这些文件的元数据信息（主要是文件的位置），在访问文件的时候，先访问这个元数据节点，获取文件所在的位置，
然后再获取文件。用户不必关心文件存储在哪个节点上，而且由于分布式存储已经解决了高可用的问题，所以用户不必担心数据存储的可用性。

HDFS的设计思想来源于谷歌的GFS(Google File System)，Google发布的MapReduce论文中提出了基本的框架，在HDFS中得到了充分的体现。HDFS中的文件默认保存三份，所以一份丢失不会造成数据丢失，可以
根据另外两份恢复回来。HDFS存储数据的基本单元是块(Block)，大小为64M。

HDFS 有两种Node，一种是NameNode，负责记录具体数据的元数据信息，另一种是DataNode，真正的数据节点。这里的NameNode有两个，另一个主要作用是分担主NameNode的一部分工作负载。每一个文件的副本
存储在不同的节点上，可以通过配置，让HDFS感知机架，这样副本会存储在不通的机架上，即使整个机架坏掉，数据也是可以恢复的。不同副本之间的数据复制由HDFS负责。在NameNode和DataNode之间维持着心跳
NameNode能够感知DataNode的状态，DataNode变得不可用，会启用副本复制。

MapReduce

从请求处理的流程来看，数据写入时，数据会在不同机架上的节点上进行写入。数据读取的时候，NameNode会查找这个数据的块信息，根据这些信息去相应节点上获取数据，返回给客户端。创建文件时，先在NameNode
上创建文件，然后写入数据到DataNode，数据在DataNode之间进行复制，写入成功后，返回信息给NameNode，确认文件创建成功后，记录文件的相关信息（存储位置等等）。

MapReduce 是一种分而治之的思想，谷歌在论文中提出的这种思想成为了后来分布式任务处理的标准。Map是映射，Reduce则是归约，对于输入的数据来说，先需要分片，然后通过Map对数据进行处理，处理的结果是k/v
这个k/v是针对每个map接收到的分片进行的操作，每一个map操作输出至少一个key/value对，根据map的key对map的输出先进行合并，每一个key对应一个reduce，各个reduce做各自的处理。

MapReduce由JobTracker接收用户提交的Job，然后下发任务到各个节点上，由节点上的Task Tracker负责具体执行。当然这只是一个大概的流程，实际情况下会有更多具体的细节。这个例子中，我们可以看出Map和
Reduce的原理。Map对每一个接收到的内容做相同的处理，即记录每个单词的次数，然后列一个清单进行输出，在进入到Reduce之前有一个合并key的过程，即将各个Map输出的相同的Key进行合并(shuffle)，这个过程
汇总所有Map输出的Key和Value，汇总之后的key就是最终reduce的输入的key，那么value则很可能是多个值的集合，因为map合并的时候，相同的key作为一个key，但是value会存入一个数组作为这个key的value。

每个Reduce从Map的输出中获取数据，然后汇总每个key对应的值，最终多个Reduce的结果再做一次汇总就输出为最终的内容。在整个过程中，只有map操作和reduce操作是用户需要关系的，其他的部分全部交给Hadoop。

通俗易懂的例子

在讲到MapReduce时，总是会讲到wordcount的例子，之后再想想，貌似脑海里又不清晰了。网上有个人分享了一个扑克牌分类的例子，非常贴切。

需要在一堆扑克牌(张数未知)中统计四种花色的牌有多少张，只需要找几个人，每人给一堆，数出来四种花色的张数，然后汇总给另外一个人就可以了。比如两个人每人一堆扑克牌，查出红桃、黑桃、梅花、方片之
后四个人，每个人只负责统计一种花色，最终将结果汇报给一个人，这是典型的map-reduce模型。

细节探讨

• split 的机制

在Map之前，数据会被分片（split），分片的结果决定了map的个数，那么分片的机制如何呢?
Hadoop 2.x默认的block大小是128MB，Hadoop 1.x默认的block大小是64MB，可以在hdfs-site.xml中设置dfs.block.size，注意单位是byte。
分片大小范围可以在mapred-site.xml中设置，mapred.min.split.size mapred.max.split.size，minSplitSize大小默认为1B，maxSplitSize大小默认为Long.MAX_VALUE = 9223372036854775807

在我们没有设置分片的范围的时候，分片大小是由block块大小决定的，和它的大小一样。比如把一个258MB的文件上传到HDFS上，假设block块大小是128MB，那么它就会被分成三个block块，与之对应产生三个split，所以最终会产生三个map task。我又发现了另一个问题，第三个block块里存的文件大小只有2MB，而它的block块大小是128MB，那它实际占用Linux file system的多大空间？答案是实际的文件大小，而非一个块的大小。

这篇文章讲解比较详细：http://blog.csdn.net/dr_guo/article/details/51150278

• shuffle 的原理

hadoop的核心思想是MapReduce，但shuffle又是MapReduce的核心。shuffle的主要工作是从Map结束到Reduce开始之间的过程。首先看下这张图，就能了解shuffle所处的位置。图中的partitions、copy phase、sort phase所代表的就是shuffle的不同阶段。

shuffle阶段又可以分为Map端的shuffle和Reduce端的shuffle。

1.Map端的shuffle

Map端会处理输入数据并产生中间结果，这个中间结果会写到本地磁盘，而不是HDFS。每个Map的输出会先写到内存缓冲区中，当写入的数据达到设定的阈值时，系统将会启动一个线程将缓冲区的数据写到磁盘，这个过程叫做spill。

在spill写入之前，会先进行二次排序，首先根据数据所属的partition进行排序，然后每个partition中的数据再按key来排序。partition的目是将记录划分到不同的Reducer上去，以期望能够达到负载均衡，以后的Reducer就会根据partition来读取自己对应的数据。接着运行combiner(如果设置了的话)，combiner的本质也是一个Reducer，其目的是对将要写入到磁盘上的文件先进行一次处理，这样，写入到磁盘的数据量就会减少。最后将数据写到本地磁盘产生spill文件(spill文件保存在{mapred.local.dir}指定的目录中，Map任务结束后就会被删除)。

最后，每个Map任务可能产生多个spill文件，在每个Map任务完成前，会通过多路归并算法将这些spill文件归并成一个文件。至此，Map的shuffle过程就结束了。

2.Reduce端的shuffle

Reduce端的shuffle主要包括三个阶段，copy、sort(merge)和reduce。

首先要将Map端产生的输出文件拷贝到Reduce端，但每个Reducer如何知道自己应该处理哪些数据呢？因为Map端进行partition的时候，实际上就相当于指定了每个Reducer要处理的数据(partition就对应了Reducer)，所以Reducer在拷贝数据的时候只需拷贝与自己对应的partition中的数据即可。每个Reducer会处理一个或者多个partition，但需要先将自己对应的partition中的数据从每个Map的输出结果中拷贝过来。

接下来就是sort阶段，也称为merge阶段，因为这个阶段的主要工作是执行了归并排序。从Map端拷贝到Reduce端的数据都是有序的，所以很适合归并排序。最终在Reduce端生成一个较大的文件作为Reduce的输入。

最后就是Reduce过程了，在这个过程中产生了最终的输出结果，并将其写到HDFS上。

总结

Hadoop 的数据处理过程的细节在实际项目中进行运用时，才会真正体会到深刻的原理，希望能遇到更多的有价值的实例。本篇借鉴了很多有价值的博客内容，在此表示感谢。

部分内容引用自：

1.Nutch和Lucene的区别
http://blog.csdn.net/qq_20545159/article/details/50433810
2.hadoop运行原理之shuffle
http://www.cnblogs.com/gwgyk/p/3997849.html