共计 4784 个字符，预计需要花费 12 分钟才能阅读完成。
先补概念, 然后开始搭建集群实战 …
一 Hadoop 版本 和 生态圈
1. Hadoop 版本
(1) Apache Hadoop 版本介绍
Apache 的开源项目开发流程 :
— 主干分支 : 新功能都是在 主干分支(trunk) 上开发;
— 特性独有分支 : 很多新特性稳定性很差, 或者不完善, 在这些分支的独有特定很 完善之后 , 该分支就会 并入主干分支;
— 候选分支 : 定期从 主干分支剥离 , 一般候选分支发布, 该分支就会 停止更新新功能 , 如果候选分支有 BUG 修复, 就会重新针对该候选分支发布一个新版本; 候选分支就是发布的 稳定版本;
造成 Hadoop 版本混乱的原因 :
— 主要功能在分支版本开发 : 0.20 分支发布之后, 主要功能一直在该分支上进行开发, 主干分支并没有合并这个分支, 0.20 分支成为了主流;
— 低版本的后发布 : 0.22 版本 发布 要晚于 0.23 版本;
— 版本重命名 : 0.20 分支的 0.20.205 版本重命名为 1.0 版本, 这两个版本是一样的, 只是名字改变了;
Apache Hadoop 版本示意图 :
(2) Apache Hadoop 版本功能介绍
第一代 Hadoop 特性 :
— append : 支持文件追加功能, 让用户使用 HBase 的时候避免数据丢失, 也是使用 HBase 的前提;
— raid : 保证数据可靠, 引入校验码校验数据块数目;
— symlink : 支持 HDFS 文件链接;
— security : hadoop 安全机制;
— namenode HA : 为了避免 namenode 单点故障情况, HA 集群有两台 namenode;
第二代 Hadoop 特性 :
— HDFS Federation : NameNode 制约 HDFS 扩展, 该功能让多个 NameNode 分管不同目录, 实现访问隔离和横向扩展;
— yarn : MapReduce 扩展性 和 多框架方面支持 不足, yarn 是全新的资源管理框架, 将 JobTracker资源管理 和 作业控制 功能分开, ResourceManager负责资源管理, ApplicationMaster负责作业控制;
0.20 版本分支 : 只有这个分支是稳定版本, 其它分支都是不稳定版本;
— 0.20.2 版本(稳定版) : 包含所有特性, 经典版;
— 0.20.203 版本(稳定版) : 包含 append, 不包含 symlink raid namenodeHA 功能;
— 0.20.205 版本 /1.0 版本(稳定版) : 包含 append security, 不包含 symlink raid namenodeHA 功能;
— 1.0.1 ~ 1.0.4 版本(稳定版) : 修复 1.0.0 的 bug 和 进行一些性能上的改进;
0.21 版本分支(不稳定版) : 包含 append raid symlink namenodeHA, 不包含 security ;
0.22 版本分支(不稳定版) : 包含 append raid symlink 那么弄得 HA, 不包含 mapreduce security;
0.23 版本分支 :
— 0.23.0 版本(不稳定版) : 第二代的 hadoop, 增加了 HDFS Federation 和 yarn;
— 0.23.1 ~ 0.23.5 (不稳定版) : 修复 0.23.0 的一些 BUG, 以及进行一些优化;
— 2.0.0-alpha ~ 2.0.2-alpha(不稳定版) : 增加了 namenodeHA 和 Wire-compatiblity 功能;
(3) Cloudera Hadoop 对应 Apache Hadoop 版本
2. Hadoop 生态圈
Apache 支持 : Hadoop 的核心项目都受 Apache 支持的, 除了 Hadoop 之外, 还有下面几个项目, 也是 Hadoop 不可或缺的一部分;
— HDFS : 分布式文件系统, 用于可靠的存储海量数据;
— MapReduce : 分布式处理数据模型, 可以运行于大型的商业云计算集群中;
— Pig : 数据流语言 和 运行环境 , 用来 检索海量数据集;
— HBase : 分布式数据库 , 按列存储 , HBase 使用 HDFS 作为底层存储, 同时 支持 MapReduce 模型的海量计算 和 随机读取;
— Zookeeper : 提供 Hadoop 集群的 分布式的协调服务, 用于构建分布式应用, 避免应用执行失败带来的不确定性损失;
— Sqoop : 该工具可以用于 HBase 和 HDFS 之间的数据传输, 提高数据传输效率;
— Common : 分布式文件系统, 通用 IO 组件与接口, 包括 序列化, Java RPC, 和持久化数据结构;
— Avro : 支持高效 跨语言的 RPC 及 永久存储数据的序列化 系统;
二. MapReduce 模型简介
MapReduce 简介 : MapReduce 是一种 数据处理 编程模型;
— 多语言支持 : MapReduce 可以使用各种语言编写, 例如 Java, Ruby, Python, C ++ ;
— 并行本质 : MapReduce 本质上可以并行运行的;
1. MapReduce 数据模型解析
MapReduce 数据模型 :
— 两个阶段 : MapReduce 的任务可以分为两个阶段, Map 阶段 和 Reduce 阶段;
— 输入输出 : 每个阶段都使用键值对作为输入 和 输出, IO 类型可以由程序员进行选择;
— 两个函数 : map 函数 和 reduce 函数;
MapReduce 作业组成 : 一个 MapReduce 工作单元, 包括 输入数据 , MapReduce 程序 和 配置信息;
作业控制 : 作业控制由 JobTracker(一个) 和 TaskTracker(多个) 进行控制的;
— JobTracker 作用 : JobTracker 控制 TaskTracker 上任务的运行, 进行统一调度;
— TaskTracker 作用 : 执行具体的 MapReduce 程序;
— 统一调度方式 : TaskTracker 运行的同时将运行进度发送给 JobTracker, JobTracker 记录所有的 TaskTracker;
— 任务失败处理 : 如果一个 TaskTracker 任务失败, JobTracker 会调度其它 TaskTracker 上重新执行该 MapReduce 作业;
2. Map 数据流
输入分片 : MapReduce 程序执行的时候, 输入的数据会被分成等长的数据块, 这些数据块就是分片;
— 分片对应任务 : 每个分片都对应着一个 Map 任务, 即 MapReduce 中的 map 函数;
— 并行处理 : 每个分片 执行 Map 任务要比 一次性处理所有数据 时间要短;
— 负载均衡 : 集群中的计算机 有的 性能好 有的性能差, 按照性能合理的分配 分片 大小, 比 平均分配效率要高, 充分发挥出集群的效率;
— 合理分片 : 分片越小负载均衡效率越高, 但是管理分片 和 管理 map 任务 总时间会增加, 需要确定一个合理的 分片大小, 一般默认为 64M, 与块大小相同;
数据本地优化 : map 任务运行在 本地存储数据的 节点上, 才能获得最好的效率;
— 分片 = 数据块 : 一个分片只在单个节点上存储, 效率最佳;
— 分片 > 数据块 : 分片 大于 数据块, 那么一个分片的数据就存储在了多个节点上, map 任务所需的数据需要从多个节点传输, 会降低效率;
Map 任务输出 : Map 任务执行结束后, 将计算结果写入到 本地硬盘, 不是写入到 HDFS 中;
— 中间过渡 : Map 的结果只是用于中间过渡, 这个中间结果要传给 Reduce 任务执行, reduce 任务的结果才是最终结果, map 中间值 最后会被删除;
— map 任务失败 : 如果 map 任务失败, 会在另一个节点重新运行这个 map 任务, 再次计算出中间结果;
3. Reduce 数据流
Reduce 任务 : map 任务的数量要远远多于 Reduce 任务;
— 无本地化优势 : Reduce 的任务的输入是 Map 任务的输出, reduce 任务的绝大多数数据 本地是没有的;
— 数据合并 : map 任务 输出的结果, 会通过网络传到 reduce 任务节点上, 先进行数据的合并, 然后在输入到 reduce 任务中进行处理;
— 结果输出 : reduce 的输出直接输出到 HDFS 中;
— reduce 数量 : reduce 数量是特别指定的, 在配置文件中指定;
MapReduce 数据流框图解析 :
— 单个 MapReduce 的数据流 :
— 多个 MapReduce 模型 :
— 没有 Reduce 程序的 MapReduce 数据流 :
Map 输出分区 : 多个 reduce 任务, 每个 reduce 任务都对应着 一些 map 任务, 我们将这些 map 任务 根据其输入 reduce 任务进行分区, 为每个 reduce 建立一个分区;
— 分区标识 : map 结果有许多种类键, 相同的键对应的数据 传给 一个 reduce, 一个 map 可能会给多个 reduce 输出数据;
— 分区函数 : 分区函数可以由用户定义, 一般情况下使用系统默认的分区函数 partitioner, 该函数通过哈希函数进行分区;
混洗 : map 任务 和 reduce 任务之间的数据流成为混;
— reduce 数据来源 : 每个 reduce 任务的输入数据来自多个 map
— map 数据去向 : 每个 map 任务的结果都输出到多个 reduce 中;
没有 Reduce : 当数据可以完全并行处理的时候, 就可以不适用 reduce, 只进行 map 任务;
4. Combiner 引入
MapReduce 瓶颈 : 带宽限制了 MapReduce 执行任务的数量, Map 和 Reduce 执行过程中需要进行大量的数据传输;\
— 解决方案 : 合并函数 Combiner, 将 多个 Map 任务输出的结果合并, 将合并后的结果发送给 Reduce 作业;
5. Hadoop Streaming
Hadoop 多语言支持 : Java, Python, Ruby, C++;
— 多语言 : Hadoop 允许使用 其它 语言写 MapReduce 函数;
— 标准流 : 因为 Hadoop 可以使用 UNIX 标准流 作为 Hadoop 和 应用程序之间的接口, 因此 只要使用标准流, 就可以进行 MapReduce 编程;
Streaming 处理文本 : Streaming 在文本处理模式下, 有一个数据行视图, 非常适合处理文本;
— Map 函数的输入输出 : 标准流 一行一行 的将数据 输入到 Map 函数, Map 函数的计算结果写到 标准输出流中;
— Map 输出格式 : 输出的 键值对 是以制表符 分隔的行, 以这种形式写出的标准输出流中;
— Reduce 函数的输入输出 : 输入数据是 标准输入流中的 通过制表符 分隔的键值对 行, 该输入经过了 Hadoop 框架排序, 计算结果输出到标准输出流中;
6. Hadoop Pipes
Pipes 概念 : Pipes 是 MapReduce 的 C ++ 接口;
— 理解误区 : Pipes 不是使用 标准 输入 输出流作为 Map 和 Reduce 之间的 Streaming, 也没有使用 JNI 编程;
— 工作原理 : Pipes 使用套接字作为 map 和 reduce 函数 进程之间的通信;
相关阅读：
Ubuntu 13.04 上搭建 Hadoop 环境 http://www.linuxidc.com/Linux/2013-06/86106.htm
Ubuntu 12.10 +Hadoop 1.2.1 版本集群配置 http://www.linuxidc.com/Linux/2013-09/90600.htm
Ubuntu 上搭建 Hadoop 环境（单机模式 + 伪分布模式）http://www.linuxidc.com/Linux/2013-01/77681.htm
Ubuntu 下 Hadoop 环境的配置 http://www.linuxidc.com/Linux/2012-11/74539.htm
单机版搭建 Hadoop 环境图文教程详解 http://www.linuxidc.com/Linux/2012-02/53927.htm
搭建 Hadoop 环境（在 Winodws 环境下用虚拟机虚拟两个 Ubuntu 系统进行搭建）http://www.linuxidc.com/Linux/2011-12/48894.htm
更多 Hadoop 相关信息见Hadoop 专题页面 http://www.linuxidc.com/topicnews.aspx?tid=13
