Hadoop一直是我想學(xué)習(xí)的技術(shù)，正巧最近項目組要做電子商城，我就開始研究Hadoop，雖然最后鑒定Hadoop不適用我們的項目，但是我會繼續(xù)研究下去，技多不壓身。

         《Hadoop基礎(chǔ)教程》是我讀的第一本Hadoop書籍，當(dāng)然在線只能試讀第一章，不過對Hadoop歷史、核心技術(shù)和應(yīng)用場景有了初步了解。

• Hadoop歷史

        雛形開始于2002年的Apache的Nutch，Nutch是一個開源Java 實現(xiàn)的搜索引擎。它提供了我們運行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬蟲。

        隨后在2003年Google發(fā)表了一篇技術(shù)學(xué)術(shù)論文谷歌文件系統(tǒng)（GFS）。GFS也就是google File System，google公司為了存儲海量搜索數(shù)據(jù)而設(shè)計的專用文件系統(tǒng)。

        2004年Nutch創(chuàng)始人Doug Cutting基于Google的GFS論文實現(xiàn)了分布式文件存儲系統(tǒng)名為NDFS。

        2004年Google又發(fā)表了一篇技術(shù)學(xué)術(shù)論文MapReduce。MapReduce是一種編程模型，用于大規(guī)模數(shù)據(jù)集（大于1TB）的并行分析運算。

        2005年Doug Cutting又基于MapReduce，在Nutch搜索引擎實現(xiàn)了該功能。

        2006年，Yahoo雇用了Doug Cutting，Doug Cutting將NDFS和MapReduce升級命名為Hadoop，Yahoo開建了一個獨立的團隊給Goug Cutting專門研究發(fā)展Hadoop。

        不得不說Google和Yahoo對Hadoop的貢獻功不可沒。

• Hadoop核心

        Hadoop的核心就是HDFS和MapReduce，而兩者只是理論基礎(chǔ)，不是具體可使用的高級應(yīng)用，Hadoop旗下有很多經(jīng)典子項目，比如HBase、Hive等，這些都是基于HDFS和MapReduce發(fā)展出來的。要想了解Hadoop，就必須知道HDFS和MapReduce是什么。

• HDFS

HDFS（Hadoop Distributed File System，Hadoop分布式文件系統(tǒng)），它是一個高度容錯性的系統(tǒng)，適合部署在廉價的機器上。HDFS能提供高吞吐量的數(shù)據(jù)訪問，適合那些有著超大數(shù)據(jù)集（large data set）的應(yīng)用程序。

HDFS的設(shè)計特點是：

1、大數(shù)據(jù)文件，非常適合上T級別的大文件或者一堆大數(shù)據(jù)文件的存儲，如果文件只有幾個G甚至更小就沒啥意思了。

2、文件分塊存儲，HDFS會將一個完整的大文件平均分塊存儲到不同計算器上，它的意義在于讀取文件時可以同時從多個主機取不同區(qū)塊的文件，多主機讀取比單主機讀取效率要高得多得都。

3、流式數(shù)據(jù)訪問，一次寫入多次讀寫，這種模式跟傳統(tǒng)文件不同，它不支持動態(tài)改變文件內(nèi)容，而是要求讓文件一次寫入就不做變化，要變化也只能在文件末添加內(nèi)容。

4、廉價硬件，HDFS可以應(yīng)用在普通PC機上，這種機制能夠讓給一些公司用幾十臺廉價的計算機就可以撐起一個大數(shù)據(jù)集群。

5、硬件故障，HDFS認(rèn)為所有計算機都可能會出問題，為了防止某個主機失效讀取不到該主機的塊文件，它將同一個文件塊副本分配到其它某幾個主機上，如果其中一臺主機失效，可以迅速找另一塊副本取文件。

HDFS的關(guān)鍵元素：

Block：將一個文件進行分塊，通常是64M。

NameNode：保存整個文件系統(tǒng)的目錄信息、文件信息及分塊信息，這是由唯一一臺主機專門保存，當(dāng)然這臺主機如果出錯，NameNode就失效了。在Hadoop2.*開始支持activity-standy模式----如果主NameNode失效，啟動備用主機運行NameNode。

DataNode：分布在廉價的計算機上，用于存儲Block塊文件。

• MapReduce

通俗說MapReduce是一套從海量·源數(shù)據(jù)提取分析元素最后返回結(jié)果集的編程模型，將文件分布式存儲到硬盤是第一步，而從海量數(shù)據(jù)中提取分析我們需要的內(nèi)容就是MapReduce做的事了。

下面以一個計算海量數(shù)據(jù)最大值為例：一個銀行有上億儲戶，銀行希望找到存儲金額最高的金額是多少，按照傳統(tǒng)的計算方式，我們會這樣：

Java代碼  

1. Long moneys[] ...  
2. Long max = 0L;  
3. for(int i=0;i<moneys.length;i++){  
4.   if(moneys[i]>max){  
5.     max = moneys[i];  
6.   }  
7. }  

 如果計算的數(shù)組長度少的話，這樣實現(xiàn)是不會有問題的，還是面對海量數(shù)據(jù)的時候就會有問題。

MapReduce會這樣做：首先數(shù)字是分布存儲在不同塊中的，以某幾個塊為一個Map，計算出Map中最大的值，然后將每個Map中的最大值做Reduce操作，Reduce再取最大值給用戶。

        MapReduce的基本原理就是：將大的數(shù)據(jù)分析分成小塊逐個分析，最后再將提取出來的數(shù)據(jù)匯總分析，最終獲得我們想要的內(nèi)容。當(dāng)然怎么分塊分析，怎么做Reduce操作非常復(fù)雜，Hadoop已經(jīng)提供了數(shù)據(jù)分析的實現(xiàn)，我們只需要編寫簡單的需求命令即可達(dá)成我們想要的數(shù)據(jù)。

• 總結(jié)

        總的來說Hadoop適合應(yīng)用于大數(shù)據(jù)存儲和大數(shù)據(jù)分析的應(yīng)用，適合于服務(wù)器幾千臺到幾萬臺的集群運行，支持PB級的存儲容量。

        Hadoop典型應(yīng)用有：搜索、日志處理、推薦系統(tǒng)、數(shù)據(jù)分析、視頻圖像分析、數(shù)據(jù)保存等。

        但要知道，Hadoop的使用范圍遠(yuǎn)小于SQL或Python之類的腳本語言，所以不要盲目使用Hadoop，看完這篇試讀文章，我知道Hadoop不適用于我們的項目。不過Hadoop作為大數(shù)據(jù)的熱門詞，我覺得一個狂熱的編程愛好者值得去學(xué)習(xí)了解，或許你下一個歸宿就需要Hadoop人才，不是嗎。