Hadoop

　　Hadoop

　　一個分布式系統基礎架構，由Apache基金會所開發。

　　用戶可以在不了解分布式底層細節的情況下，開發分布式程序。充分利用集群的威力進行高速運算和存儲。

　　Hadoop實現了一個分布式文件系統（Hadoop Distributed File System），簡稱HDFS。HDFS有高容錯性的特點，并且設計用來部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）來訪問應用程序的數據，適合那些有著超大數據集（large data set）的應用程序。HDFS放寬了（relax）POSIX的要求，可以以流的形式訪問（streaming access）文件系統中的數據。

　　Hadoop的框架最核心的設計就是：HDFS和MapReduce.HDFS為海量的數據提供了存儲，則MapReduce為海量的數據提供了計算。

　　中文名海杜普

　　外文名Hadoop

　　項目起源

　　Hadoop由 Apache Software Foundation 公司于 2005 年秋天作為Lucene的子

　　hadoop logo

　　hadoop logo

　　項目Nutch的一部分正式引入。它受到最先由 Google Lab 開發的 Map/Reduce 和 Google File System(GFS) 的啟發。

　　2006 年 3 月份，Map/Reduce 和 Nutch Distributed File System (NDFS) 分別被納入稱為 Hadoop 的項目中。

　　Hadoop 是最受歡迎的在 Internet 上對搜索關鍵字進行內容分類的工具，但它也可以解決許多要求極大伸縮性的問題。例如，如果您要 grep 一個 10TB 的巨型文件，會出現什么情況？在傳統的系統上，這將需要很長的時間。但是 Hadoop 在設計時就考慮到這些問題，采用并行執行機制，因此能大大提高效率。

　　發展歷程

　　Hadoop原本來自于谷歌一款名為MapReduce的編程模型包。谷歌的MapReduce框架可以把一個應用程序分解為許多并行計算指令，跨大量的計算節點運行非常巨大的數據集。使用該框架的一個典型例子就是在網絡數據上運行的搜索算法。

　　Hadoop 最初只與網頁索引有關，迅速發展成為分析大數據的領先平臺。Cloudera是一家企業軟件公司，該公司在2008年開始提供基于Hadoop的軟件和服務。

　　GoGrid是一家云計算基礎設施公司，在2012年，該公司與Cloudera合作加速了企業采納基于Hadoop應用的步伐。Dataguise公司是一家數據安全公司，同樣在2012年該公司推出了一款針對Hadoop的數據保護和風險評估。

　　名字起源

　　Hadoop這個名字不是一個縮寫，而是一個虛構的名字。該項目的創建者，Doug Cutting解釋Hadoop的得名 ：“這個名字是我孩子給一個棕黃色的大象玩具命名的。我的命名標準就是簡短，容易發音和拼寫，沒有太多的意義，并且不會被用于別處。小孩子恰恰是這方面的高手。”

　　Hadoop的發音是 [h?du:p]。

　　2 諸多優點

　　Hadoop是一個能夠對大量數據進行分布式處理的軟件框架。但是 Hadoop 是以一種可靠、高效、可伸縮的方式進行處理的。

　　Hadoop 是可靠的，因為它假設計算元素和存儲會失敗，因此它維護多個工作數據副本，確保能夠針對失敗的節點重新分布處理。

　　Hadoop 是高效的，因為它以并行的方式工作，通過并行處理加快處理速度。

　　Hadoop 還是可伸縮的，能夠處理 PB 級數據。

　　此外，Hadoop 依賴于社區服務，因此它的成本比較低，任何人都可以使用。

　　Hadoop是一個能夠讓用戶輕松架構和使用的分布式計算平臺。用戶可以輕松地在Hadoop上開發和運行處理海量數據的應用程序。它主要有以下幾個優點：

　　高可靠性。Hadoop按位存儲和處理數據的能力值得人們信賴。

　　高擴展性。Hadoop是在可用的計算機集簇間分配數據并完成計算任務的，這些集簇可以方便地擴展到數以千計的節點中。

　　高效性。Hadoop能夠在節點之間動態地移動數據，并保證各個節點的動態平衡，因此處理速度非?？?。

　　高容錯性。Hadoop能夠自動保存數據的多個副本，并且能夠自動將失敗的任務重新分配。

　　低成本。與一體機、商用數據倉庫以及QlikView、Yonghong Z-Suite等數據集市相比，hadoop是開源的，項目的軟件成本因此會大大降低。

　　Hadoop帶有用Java語言編寫的框架，因此運行在 Linux 生產平臺上是非常理想的。Hadoop 上的應用程序也可以使用其他語言編寫，比如 C++。

　　hadoop大數據處理的意義

　　Hadoop得以在大數據處理應用中廣泛應用得益于其自身在數據提取、變形和加載(ETL)方面上的天然優勢。Hadoop的分布式架構，將大數據處理引擎盡可能的靠近存儲，對例如像ETL這樣的批處理操作相對合適，因為類似這樣操作的批處理結果可以直接走向存儲。Hadoop的MapReduce功能實現了將單個任務打碎，并將碎片任務(Map)發送到多個節點上，之后再以單個數據集的形式加載(Reduce)到數據倉庫里。[1]

　　3 核心架構

　　Hadoop 由許多元素構成。其最底部是 Hadoop Distributed File System（HDFS），它存儲 Hadoop 集群中所有存儲節點上的文件。HDFS（對于本文）的上一層是MapReduce 引擎，該引擎由 JobTrackers 和 TaskTrackers 組成。通過對Hadoop分布式計算平臺最核心的分布式文件系統HDFS、MapReduce處理過程，以及數據倉庫工具Hive和分布式數據庫Hbase的介紹，基本涵蓋了Hadoop分布式平臺的所有技術核心。[4]

　　HDFS

　　對外部客戶機而言，HDFS就像一個傳統的分級文件系統?？梢詣摻?、刪除、移動或重命名文件，等等。但是 HDFS 的架構是基于一組特定的節點構建的（參見圖 1），這是由它自身的特點決定的。這些節點包括 NameNode（僅一個），它在 HDFS 內部提供元數據服務；DataNode，它為 HDFS 提供存儲塊。由于僅存在一個 NameNode，因此這是 HDFS 的一個缺點（單點失?。?。

　　存儲在 HDFS 中的文件被分成塊，然后將這些塊復制到多個計算機中（DataNode）。這與傳統的 RAID 架構大不相同。塊的大?。ㄍǔ?64MB）和復制的塊數量在創建文件時由客戶機決定。NameNode 可以控制所有文件操作。HDFS 內部的所有通信都基于標準的 TCP/IP 協議。

　　NameNode

　　NameNode 是一個通常在 HDFS 實例中的單獨機器上運行的軟件。它負責管理文件系統名稱空間和控制外部客戶機的訪問。NameNode 決定是否將文件映射到 DataNode 上的復制塊上。對于最常見的 3 個復制塊，第一個復制塊存儲在同一機架的不同節點上，最后一個復制塊存儲在不同機架的某個節點上。注意，這里需要您了解集群架構。

　　實際的 I/O事務并沒有經過 NameNode，只有表示 DataNode 和塊的文件映射的元數據經過 NameNode。當外部客戶機發送請求要求創建文件時，NameNode 會以塊標識和該塊的第一個副本的 DataNode IP 地址作為響應。這個 NameNode 還會通知其他將要接收該塊的副本的 DataNode。

　　NameNode 在一個稱為 FsImage 的文件中存儲所有關于文件系統名稱空間的信息。這個文件和一個包含所有事務的記錄文件（這里是 EditLog）將存儲在 NameNode 的本地文件系統上。FsImage 和 EditLog 文件也需要復制副本，以防文件損壞或 NameNode 系統丟失。

　　NameNode本身不可避免地具有SPOF（Single Point Of Failure）單點失效的風險，主備模式并不能解決這個問題，通過Hadoop Non-stop namenode才能實現100% uptime可用時間。

　　DataNode

　　DataNode 也是一個通常在 HDFS實例中的單獨機器上運行的軟件。Hadoop 集群包含一個 NameNode 和大量 DataNode。DataNode 通常以機架的形式組織，機架通過一個交換機將所有系統連接起來。Hadoop 的一個假設是：機架內部節點之間的傳輸速度快于機架間節點的傳輸速度。

　　DataNode 響應來自 HDFS 客戶機的讀寫請求。它們還響應來自 NameNode 的創建、刪除和復制塊的命令。NameNode 依賴來自每個 DataNode 的定期心跳（heartbeat）消息。每條消息都包含一個塊報告，NameNode 可以根據這個報告驗證塊映射和其他文件系統元數據。如果 DataNode 不能發送心跳消息，NameNode 將采取修復措施，重新復制在該節點上丟失的塊。

　　文件操作

　　可見，HDFS 并不是一個萬能的文件系統。它的主要目的是支持以流的形式訪問寫入的大型文件。

　　如果客戶機想將文件寫到 HDFS 上，首先需要將該文件緩存到本地的臨時存儲。如果緩存的數據大于所需的 HDFS 塊大小，創建文件的請求將發送給 NameNode。NameNode 將以 DataNode 標識和目標塊響應客戶機。

　　同時也通知將要保存文件塊副本的 DataNode。當客戶機開始將臨時文件發送給第一個 DataNode 時，將立即通過管道方式將塊內容轉發給副本 DataNode?？蛻魴C也負責創建保存在相同 HDFS名稱空間中的校驗和（checksum）文件。

　　在最后的文件塊發送之后，NameNode 將文件創建提交到它的持久化元數據存儲（在 EditLog 和 FsImage 文件）。

　　Linux 集群

　　Hadoop 框架可在單一的 Linux 平臺上使用（開發和調試時），官方提供MiniCluster作為單元測試使用，不過使用存放在機架上的商業服務器才能發揮它的力量。這些機架組成一個 Hadoop 集群。它通過集群拓撲知識決定如何在整個集群中分配作業和文件。Hadoop 假定節點可能失敗，因此采用本機方法處理單個計算機甚至所有機架的失敗。

　　4 集群系統

　　Google的數據中心使用廉價的Linux PC機組成集群，在上面運行各種應用。即使是分布式開發的新手也可以迅速使用Google的基礎設施。核心組件是3個：

　?、盙FS（Google File System）。一個分布式文件系統，隱藏下層負載均衡，冗余復制等細節，對上層程序提供一個統一的文件系統API接口。Google根據自己的需求對它進行了特別優化，包括：超大文件的訪問，讀操作比例遠超過寫操作，PC機極易發生故障造成節點失效等。GFS把文件分成64MB的塊，分布在集群的機器上，使用Linux的文件系統存放。同時每塊文件至少有3份以上的冗余。中心是一個Master節點，根據文件索引，找尋文件塊。詳見Google的工程師發布的GFS論文。

　?、睲apReduce。Google發現大多數分布式運算可以抽象為MapReduce操作。Map是把輸入Input分解成中間的Key/Value對，Reduce把Key/Value合成最終輸出Output。這兩個函數由程序員提供給系統，下層設施把Map和Reduce操作分布在集群上運行，并把結果存儲在GFS上。

　?、矪igTable。一個大型的分布式數據庫，這個數據庫不是關系式的數據庫。像它的名字一樣，就是一個巨大的表格，用來存儲結構化的數據。

　　以上三個設施Google均有論文發表。

　　《The Google File System 》 2003年[5]

　　《MapReduce: Simplified Data Processing on Large Clusters》 2004年[6]

　　《Bigtable: A Distributed Storage System for Structured Data》 2006年[7]

　　5 應用程序

　　Hadoop 的最常見用法之一是 Web 搜索。雖然它不是惟一的軟件框架應用程序，但作為一個并行數據處理引擎，它的表現非常突出。Hadoop 最有趣的方面之一是 Map and Reduce 流程，它受到Google開發的啟發。這個流程稱為創建索引，它將 Web爬行器檢索到的文本 Web 頁面作為輸入，并且將這些頁面上的單詞的頻率報告作為結果。然后可以在整個 Web 搜索過程中使用這個結果從已定義的搜索參數中識別內容。

　　MapReduce

　　最簡單的 MapReduce應用程序至少包含 3 個部分：一個 Map 函數、一個 Reduce 函數和一個 main 函數。main 函數將作業控制和文件輸入/輸出結合起來。在這點上，Hadoop 提供了大量的接口和抽象類，從而為 Hadoop應用程序開發人員提供許多工具，可用于調試和性能度量等。

　　MapReduce 本身就是用于并行處理大數據集的軟件框架。MapReduce 的根源是函數性編程中的 map 和 reduce 函數。它由兩個可能包含有許多實例（許多 Map 和 Reduce）的操作組成。Map 函數接受一組數據并將其轉換為一個鍵/值對列表，輸入域中的每個元素對應一個鍵/值對。Reduce 函數接受 Map 函數生成的列表，然后根據它們的鍵（為每個鍵生成一個鍵/值對）縮小鍵/值對列表。

　　這里提供一個示例，幫助您理解它。假設輸入域是 one small step for man,one giant leap for mankind。在這個域上運行 Map 函數將得出以下的鍵/值對列表：

　?。╫ne,1） (small,1） (step,1） (for,1） (man,1）

　　MapReduce 流程的概念流

　　(one,1） (giant,1） (leap,1） (for,1） (mankind,1）

　　如果對這個鍵/值對列表應用 Reduce 函數，將得到以下一組鍵/值對：

　?。╫ne,2） (small,1） (step,1） (for,2） (man,1）（giant,1） (leap,1） (mankind,1）

　　結果是對輸入域中的單詞進行計數，這無疑對處理索引十分有用。但是，假設有兩個輸入域，第一個是 one small step for man，第二個是 one giant leap for mankind。您可以在每個域上執行 Map 函數和 Reduce 函數，然后將這兩個鍵/值對列表應用到另一個 Reduce 函數，這時得到與前面一樣的結果。換句話說，可以在輸入域并行使用相同的操作，得到的結果是一樣的，但速度更快。這便是 MapReduce 的威力；它的并行功能可在任意數量的系統上使用。圖 2 以區段和迭代的形式演示這種思想。

　　回到 Hadoop 上，它是如何實現這個功能的？一個代表客戶機在單個主系統上啟動的 MapReduce應用程序稱為 JobTracker。類似于 NameNode，它是 Hadoop 集群中惟一負責控制 MapReduce應用程序的系統。在應用程序提交之后，將提供包含在 HDFS 中的輸入和輸出目錄。JobTracker 使用文件塊信息（物理量和位置）確定如何創建其他 TaskTracker 從屬任務。MapReduce應用程序被復制到每個出現輸入文件塊的節點。將為特定節點上的每個文件塊創建一個惟一的從屬任務。每個 TaskTracker 將狀態和完成信息報告給 JobTracker。圖 3 顯示一個示例集群中的工作分布。

　　Hadoop 的這個特點非常重要，因為它并沒有將存儲移動到某個位置以供處理，而是將處理移動到存儲。這通過根據集群中的節點數調節處理，因此支持高效的數據處理。

　　6 MapReduce與Hadoop之比較

　　Hadoop是Apache軟件基金會發起的一個項目，在大數據分析以及非結構化數據蔓延的背景下，Hadoop受到了前所未有的關注。

　　Hadoop是一種分布式數據和計算的框架。它很擅長存儲大量的半結構化的數據集。數據可以隨機存放，所以一個磁盤的失敗并不會帶來數據丟失。Hadoop也非常擅長分布式計算——快速地跨多臺機器處理大型數據集合。

　　MapReduce是處理大量半結構化數據集合的編程模型。編程模型是一種處理并結構化特定問題的方式。例如，在一個關系數據庫中，使用一種集合語言執行查詢，如SQL。告訴語言想要的結果，并將它提交給系統來計算出如何產生計算。還可以用更傳統的語言(C++，Java)，一步步地來解決問題。這是兩種不同的編程模型，MapReduce就是另外一種。

　　MapReduce和Hadoop是相互獨立的，實際上又能相互配合工作得很好。[9]

　　7 開源實現

　　Hadoop是項目的總稱。主要是由HDFS和MapReduce組成。

　　HDFS是Google File System（GFS）的開源實現。

　　MapReduce是Google MapReduce的開源實現。

　　這個分布式框架很有創造性，而且有極大的擴展性，使得Google在系統吞吐量上有很大的競爭力。因此Apache基金會用Java實現了一個開源版本，支持Fedora、Ubuntu等Linux平臺。雅虎和硅谷風險投資公司Benchmark Capital 聯合成立一家名為Hortonworks的新公司，接管被廣泛應用的數據分析軟件Hadoop的開發工作。

　　Hadoop實現了HDFS文件系統和MapRecue。用戶只要繼承MapReduceBase，提供分別實現Map和Reduce的兩個類，并注冊Job即可自動分布式運行。

　　至今為止是2.4.1，穩定版本是1.2.1 和 yarn 的 2.4.0。

　　HDFS把節點分成兩類：NameNode和DataNode。NameNode是唯一的，程序與之通信，然后從DataNode上存取文件。這些操作是透明的，與普通的文件系統API沒有區別。

　　MapReduce則是JobTracker節點為主，分配工作以及負責和用戶程序通信。

　　HDFS和MapReduce實現是完全分離的，并不是沒有HDFS就不能MapReduce運算。

　　Hadoop也跟其他云計算項目有共同點和目標：實現海量數據的計算。而進行海量計算需要一個穩定的，安全的數據容器，才有了Hadoop分布式文件系統（HDFS，Hadoop Distributed File System）。

　　HDFS通信部分使用org.apache.hadoop.ipc，可以很快使用RPC.Server.start()構造一個節點，具體業務功能還需自己實現。針對HDFS的業務則為數據流的讀寫，NameNode/DataNode的通信等。

　　MapReduce主要在org.apache.hadoop.mapred，實現提供的接口類，并完成節點通信（可以不是hadoop通信接口），就能進行MapReduce運算。

　　8 子項目

　　Hadoop Common: 在0.20及以前的版本中，包含HDFS、MapReduce和其他項目公共內容，從0.21開始HDFS和MapReduce被分離為獨立的子項目，其余內容為Hadoop Common

　　HDFS: Hadoop分布式文件系統(Distributed File System) － HDFS (Hadoop Distributed File System)

　　MapReduce：并行計算框架，0.20前使用 org.apache.hadoop.mapred 舊接口，0.20版本開始引入org.apache.hadoop.mapreduce的新API

　　HBase: 類似Google BigTable的分布式NoSQL列數據庫。（HBase和Avro已經于2010年5月成為頂級 Apache 項目）

　　Hive：數據倉庫工具，由Facebook貢獻。

　　Zookeeper：分布式鎖設施，提供類似Google Chubby的功能，由Facebook貢獻。

　　Avro：新的數據序列化格式與傳輸工具，將逐步取代Hadoop原有的IPC機制。

　　Pig: 大數據分析平臺，為用戶提供多種接口。

　　Ambari：Hadoop管理工具，可以快捷的監控、部署、管理集群。

　　Sqoop：于在HADOOP與傳統的數據庫間進行數據的傳遞。

　　9 研究

　　Hadoop是原Yahoo的Doug Cutting根據Google發布的學術論文研究而來。Doug Cutting給這個Project起了個名字，就叫Hadoop。

　　Doug Cutting在Cloudera公司任職。Cloudera的Hadoop是商用版。不同于Apache的開源版。

　　如果要研究Hadoop的話，下載Apache的開源版本是一種不錯的選擇。

　　只研究Apache版本的，不足以對Hadoop的理念理解。再對Cloudera版本的研究，會更上一層樓。

　　美國的AsterData，也是Hadoop的一個商用版，AsterData的MPP理念，Applications Within理念等等，也都是值得研究。

　　Google的成功已經說明了RDB的下一代就是Nosql（Not Only SQL），比如說GFS，Hadoop等等。

　　Hadoop作為開源軟件來說，其魅力更是不可估量。

　　上文中說到Google的學術論文，其中包涵有：

　　Google File System（大規模分散文件系統）

　　MapReduce （大規模分散FrameWork）

　　BigTable（大規模分散數據庫）

　　Chubby（分散鎖服務）

　　10 大事記

　　2011年12月27日--1.0.0版本釋出。標志著Hadoop已經初具生產規模。

　　2009年4月-- 贏得每分鐘排序，59秒內排序500 GB（在1400個節點上）和173分鐘內排序100 TB數據（在3400個節點上）。

　　2009年3月-- 17個集群總共24 000臺機器。

　　2008年10月-- 研究集群每天裝載10 TB的數據。

　　2008年4月-- 贏得世界最快1 TB數據排序在900個節點上用時209秒。

　　2007年4月-- 研究集群達到兩個1000個節點的集群。

　　2007年1月-- 研究集群到達900個節點。

　　2006年12月-- 標準排序在20個節點上運行1.8個小時，100個節點3.3小時，500個節點5.2小時，900個節點7.8個小時。

　　2006年11月-- 研究集群增加到600個節點。

　　2006年5月-- 標準排序在500個節點上運行42個小時（硬件配置比4月的更好）。

　　2006年5月-- 雅虎建立了一個300個節點的Hadoop研究集群。

　　2006年4月-- 標準排序（10 GB每個節點）在188個節點上運行47.9個小時。

　　2006年2月-- 雅虎的網格計算團隊采用Hadoop。

　　2006年2月-- Apache Hadoop項目正式啟動以支持MapReduce和HDFS的獨立發展。

　　2006年1月-- Doug Cutting加入雅虎。

　　2005年12月-- Nutch移植到新的框架，Hadoop在20個節點上穩定運行。

　　2004年-- 最初的版本（稱為HDFS和MapReduce）由Doug Cutting和Mike Cafarella開始實施。

　　11 認證

　　Cloudera

　　Cloudera公司主要提供Apache Hadoop開發工程師認證（Cloudera CertifiedDeveloper for Apache Hadoop ，CCDH）和Apache Hadoop管理工程師認證（Cloudera CertifiedAdministrator for Apache Hadoop ，CCAH），更多相關信息，請參閱Cloudera公司官方網站。

　　Hortonworks

　　Hortonworks Hadoop培訓課程是由Apache Hadoop項目的領導者和核心開發人員所設計，代表了這一行業的最高水平。

　　Hortonworks是國際領先的開發、推廣和支持Apache Hadoop的商業供應商，它的Hadoop認證也是業界公認的Hadoop權威認證，分為開發者認證(HCAHD[10] , Hortonworks Certified Apache HadoopDeveloper)和管理員認證(HCAHA, Hortonwork Certified Apache HadoopAdministrator)。

　　12 信息安全

　　通過Hadoop安全部署經驗總結，開發出以下十大建議，以確保大型和復雜多樣環境下的數據信息安全。

　　1、先下手為強!在規劃部署階段就確定數據的隱私保護策略，最好是在將數據放入到Hadoop之前就確定好保護策略。

　　2、確定哪些數據屬于企業的敏感數據。根據公司的隱私保護政策，以及相關的行業法規和政府規章來綜合確定。

　　3、及時發現敏感數據是否暴露在外，或者是否導入到Hadoop中。

　　4、搜集信息并決定是否暴露出安全風險。

　　5、確定商業分析是否需要訪問真實數據，或者確定是否可以使用這些敏感數據。然后，選擇合適的加密技術。如果有任何疑問，對其進行加密隱藏處理，同時提供最安全的加密技術和靈活的應對策略，以適應未來需求的發展。

　　6、確保數據保護方案同時采用了隱藏和加密技術，尤其是如果我們需要將敏感數據在Hadoop中保持獨立的話。

　　7、確保數據保護方案適用于所有的數據文件，以保存在數據匯總中實現數據分析的準確性。

　　8、確定是否需要為特定的數據集量身定制保護方案，并考慮將Hadoop的目錄分成較小的更為安全的組。

　　9、確保選擇的加密解決方案可與公司的訪問控制技術互操作，允許不同用戶可以有選擇性地訪問Hadoop集群中的數據。

　　10、確保需要加密的時候有合適的技術(比如Java、Pig等)可被部署并支持無縫解密和快速訪問數據。

　　13 Hadoop之父

　　生活中，可能所有人都間接用過他的作品，他是Lucene、Nutch 、Hadoop等項目的發起人。是

　　他，把高深莫測的搜索技術形成產品，貢獻給普通大眾；還是他，打造了在云計算和大數據領域里如日中天的Hadoop[12] 。他是某種意義上的盜火者，他就是Doug Cutting。