技術(shù)分享：Hadoop框架
Hadoop由HDFS、MapReduce、HBase、Hive和ZooKeeper等成員組成，其中最基礎(chǔ)最重要元素為底層用于存儲集群中所有存儲節(jié)點文件的文件系統(tǒng)HDFS(Hadoop Distributed File System)來執(zhí)行MapReduce程序的MapReduce引擎。
- Pig是一個基于Hadoop的大規(guī)模數(shù)據(jù)分析平臺，Pig為復(fù)雜的海量數(shù)據(jù)并行計算提供了一個簡單的操作和編程接口
- Hive是基于Hadoop的一個工具，提供完整的SQL查詢，可以將sql語句轉(zhuǎn)換為MapReduce任務(wù)進(jìn)行運行
- ZooKeeper:高效的，可拓展的協(xié)調(diào)系統(tǒng)，存儲和協(xié)調(diào)關(guān)鍵共享狀態(tài);
- HBase是一個開源的，基于列存儲模型的分布式數(shù)據(jù)庫;
- HDFS是一個分布式文件系統(tǒng)，有著高容錯性的特點，適合那些超大數(shù)據(jù)集的應(yīng)用程序;
- MapReduce是一種編程模型，用于大規(guī)模數(shù)據(jù)集(大于1TB)的并行運算。
下圖是一個典型的Hadoop集群的部署結(jié)構(gòu)：
接著給出Hadoop各組件依賴共存關(guān)系：
HDFS是一個高度容錯性的分布式文件系統(tǒng)，可以被廣泛的部署于廉價的PC上。它以流式訪問模式訪問應(yīng)用程序的數(shù)據(jù)，這大大提高了整個系統(tǒng)的數(shù)據(jù)吞吐量，因而非常適合用于具有超大數(shù)據(jù)集的應(yīng)用程序中。
HDFS的架構(gòu)如圖所示。HDFS架構(gòu)采用主從架構(gòu)(master/slave)。一個典型的HDFS集群包含一個NameNode節(jié)點和多個DataNode節(jié)點。NameNode節(jié)點負(fù)責(zé)整個HDFS文件系統(tǒng)中的文件的元數(shù)據(jù)的保管和管理，集群中通常只有一臺機(jī)器上運行NameNode實例，DataNode節(jié)點保存文件中的數(shù)據(jù)，集群中的機(jī)器分別運行一個DataNode實例。在HDFS中，NameNode節(jié)點被稱為名稱節(jié)點，DataNode節(jié)點被稱為數(shù)據(jù)節(jié)點。DataNode節(jié)點通過心跳機(jī)制與NameNode節(jié)點進(jìn)行定時的通信。
NameNode
NameNode可以看作是分布式文件系統(tǒng)中的管理者，存儲文件系統(tǒng)的meta-data，主要負(fù)責(zé)管理文件系統(tǒng)的命名空間，集群配置信息，存儲塊的復(fù)制。
DataNode
DataNode是文件存儲的基本單元。它存儲文件塊在本地文件系統(tǒng)中，保存了文件塊的meta-data，同時周期性的發(fā)送所有存在的文件塊的報告給NameNode。
Client
Client就是需要獲取分布式文件系統(tǒng)文件的應(yīng)用程序。
以下來說明HDFS如何進(jìn)行文件的讀寫操作：
文件寫入
- Client向NameNode發(fā)起文件寫入的請求
- NameNode根據(jù)文件大小和文件塊配置情況，返回給Client它所管理部分DataNode的信息。
- Client將文件劃分為多個文件塊，根據(jù)DataNode的地址信息，按順序?qū)懭氲矫恳粋€DataNode塊中。
文件讀取
- Client向NameNode發(fā)起文件讀取的請求
- NameNode返回文件存儲的DataNode的信息
- Client讀取文件信息
MapReduce是一種編程模型，用于大規(guī)模數(shù)據(jù)集的并行運算。Map(映射)和Reduce(化簡)，采用分而治之思想，先把任務(wù)分發(fā)到集群多個節(jié)點上，并行計算，然后再把計算結(jié)果合并，從而得到最終計算結(jié)果。多節(jié)點計算，所涉及的任務(wù)調(diào)度、負(fù)載均衡、容錯處理等，都由MapReduce框架完成，不需要編程人員關(guān)心這些內(nèi)容。
下圖是MapReduce的處理過程：
用戶提交任務(wù)給JobTracer，JobTracer把對應(yīng)的用戶程序中的Map操作和Reduce操作映射至TaskTracer節(jié)點中;輸入模塊負(fù)責(zé)把輸入數(shù)據(jù)分成小數(shù)據(jù)塊，然后把它們傳給Map節(jié)點;Map節(jié)點得到每一個key/value對，處理后產(chǎn)生一個或多個key/value對，然后寫入文件;Reduce節(jié)點獲取臨時文件中的數(shù)據(jù)，對帶有相同key的數(shù)據(jù)進(jìn)行迭代計算，然后把終結(jié)果寫入文件。
如果這樣解釋還是太抽象，可以通過下面一個具體的處理過程來理解：(WordCount實例)
Hadoop的核心是MapReduce，而MapReduce的核心又在于map和reduce函數(shù)。它們是交給用戶實現(xiàn)的，這兩個函數(shù)定義了任務(wù)本身。
map函數(shù)：接受一個鍵值對(key-value pair)(例如上圖中的Splitting結(jié)果)，產(chǎn)生一組中間鍵值對(例如上圖中Mapping后的結(jié)果)。Map/Reduce框架會將map函數(shù)產(chǎn)生的中間鍵值對里鍵相同的值傳遞給一個reduce函數(shù)。
reduce函數(shù)：接受一個鍵，以及相關(guān)的一組值(例如上圖中Shuffling后的結(jié)果)，將這組值進(jìn)行合并產(chǎn)生一組規(guī)模更小的值(通常只有一個或零個值)(例如上圖中Reduce后的結(jié)果)
但是，Map/Reduce并不是***的，適用于Map/Reduce計算有先提條件：
- 待處理的數(shù)據(jù)集可以分解成許多小的數(shù)據(jù)集
- 每一個小數(shù)據(jù)集都可以完全并行地進(jìn)行處理
若不滿足以上兩條中的任意一條，則不適合適用Map/Reduce模式。
