Hadoop核心生态

本文来说下Hadoop的核心生态知识

概述

导读&＃xff1a;如今&＃xff0c;一提到大数据技术&＃xff0c;人们首先想到的是Hadoop&＃xff0c;它俨然已成为大数据的代名词。然而&＃xff0c;大数据技术在Hadoop出现之前很多年就出现了。但那时候&＃xff0c;大数据只是谷歌、亚马逊等大公司才能开展起来的高端技术。正是Hadoop的出现&＃xff0c;降低了分布式大数据的技术门槛&＃xff0c;使得千千万万普通的公司也能开展大数据业务&＃xff0c;进而促进大数据技术逐渐发展起来。

Hadoop是一个由Apache基金会开发的分布式系统基础架构。开发人员可以在不了解分布式底层细节的情况下开发分布式程序&＃xff0c;充分利用集群的威力进行高速并行运算以及海量数据的分布式存储。Hadoop大数据技术架构如图1所示。

然而&＃xff0c;Hadoop不是一个孤立的技术&＃xff0c;而是一套完整的生态圈&＃xff0c;如图2所示。在这个生态圈中&＃xff0c;Hadoop最核心的组件就是分布式文件系统HDFS和分布式计算框架MapReduce。HDFS为海量的数据提供了存储&＃xff0c;是整个大数据平台的基础&＃xff0c;而MapReduce则为海量的数据提供了计算能力。在它们之上有各种大数据技术框架&＃xff0c;包括数据仓库Hive、流式计算Storm、数据挖掘工具Mahout和分布式数据库HBase。此外&＃xff0c;ZooKeeper为Hadoop集群提供了高可靠运行的框架&＃xff0c;保证Hadoop集群在部分节点宕机的情况下依然可靠运行。Sqoop与Flume分别是结构化与非结构化数据采集工具&＃xff0c;通过它们可以将海量数据抽取到Hadoop平台上&＃xff0c;进行后续的大数据分析。

Cloudera与Hortonworks是大数据的集成工具&＃xff0c;它们将大数据技术的各种组件集成在一起&＃xff0c;简化安装、部署等工作&＃xff0c;并提供统一的配置、管理、监控等功能。Oozie是一个业务编排工具&＃xff0c;我们将复杂的大数据处理过程解耦成一个个小脚本&＃xff0c;然后用Oozie组织在一起进行业务编排&＃xff0c;定期执行与调度。

分布式文件系统

过去&＃xff0c;我们用诸如DOS、Windows、Linux、UNIX等许多系统来在计算机上存储并管理各种文件。与它们不同的是&＃xff0c;分布式文件系统是将文件散列地存储在多个服务器上&＃xff0c;从而可以并行处理海量数据。

Hadoop的分布式文件系统HDFS如图3所示&＃xff0c;它首先将服务器集群分为名称节点&＃xff08;NameNode&＃xff09;与数据节点&＃xff08;DataNode&＃xff09;。名称节点是控制节点&＃xff0c;当需要存储数据时&＃xff0c;名称节点将很大的数据文件拆分成一个个大小为128MB的小文件&＃xff0c;然后散列存储在其下的很多数据节点中。当Hadoop需要处理这个数据文件时&＃xff0c;实际上就是将其分布到各个数据节点上进行并行处理&＃xff0c;使性能得到大幅提升。

同时&＃xff0c;每个小文件在存储时&＃xff0c;还会进行多节点复制&＃xff08;默认是3节点复制&＃xff09;&＃xff0c;一方面可以并行读取数据&＃xff0c;另一方面可以保障数据的安全&＃xff0c;即任何一个节点失效&＃xff0c;数据都不会丢失。当一个节点宕机时&＃xff0c;如果该节点的数据不足3份&＃xff0c;就会立即发起数据复制&＃xff0c;始终保持3节点的复制。正因为具有这样高可靠的文件存储&＃xff0c;Hadoop的部署不需要备份&＃xff0c;也不需要磁盘镜像&＃xff0c;在Hadoop集群的各个节点中挂载大容量的磁盘并配置Raid0就可以了。

分布式计算框架

Hadoop的另一个关键组件是分布式计算框架MapReduce&＃xff0c;它将海量数据的处理分布到许多数据节点中并行进行&＃xff0c;从而提高系统的运行效率。

MapReduce计算词频的处理过程如图4所示。在这个过程中&＃xff0c;首先输入要处理的数据文件&＃xff0c;经过Splitting将其拆分到各个节点中&＃xff0c;并在这些节点的本地执行Mapping&＃xff0c;将其制作成一个Map。不同的任务可以设计不同的Map。譬如&＃xff0c;现在的任务是计算词频&＃xff0c;因此该Map的key是不同的词&＃xff0c;value是1。这样&＃xff0c;在后续的处理过程中&＃xff0c;将相同词的1加在一起就是该词的词频了。

Mapping操作执行完以后&＃xff0c;就开始Shuffling操作。它是整个执行过程中效率最差的部分&＃xff0c;需要在各个节点间交换数据&＃xff0c;将同一个词的数据放到同一个节点上。如何有效地降低交换的数据量成为优化性能的关键。接着&＃xff0c;在每个节点的本地执行Reducing操作&＃xff0c;将同一个词的这些1加在一起&＃xff0c;就得到了词频。最后&＃xff0c;将分布在各个节点的结果集中到一起&＃xff0c;就可以输出了。

整个计算有6个处理过程&＃xff0c;那么为什么它的名字叫MapReduce呢&＃xff1f;因为其他处理过程都被框架封装了&＃xff0c;开发人员只需要编写Map和Reduce过程就能完成各种各样的数据处理。这样&＃xff0c;技术门槛降低了&＃xff0c;大数据技术得以流行起来。

优缺点

与传统的数据库相比&＃xff0c;MapReduce分布式计算虽然有无与伦比的性能优势&＃xff0c;但并不适用于所有场景。MapReduce没有索引&＃xff0c;它的每次计算都是“暴力全扫描”&＃xff0c;即将整个文件的所有数据都扫描一遍。如果要分析的结果涉及该文件80%以上的数据&＃xff0c;与关系型数据库相比&＃xff0c;能获得非常优异的性能。如果只是为了查找该文件中的某几十条记录&＃xff0c;那么它既耗费资源&＃xff0c;性能也没有关系型数据库好。因此&＃xff0c;MapReduce的分布式计算更适合在后台对批量数据进行离线计算&＃xff0c;即一次性对海量数据进行分析、整理与运算。它并不适用于在前台面向终端用户的在线业务、事务处理与随机查询。

同时&＃xff0c;MapReduce更适合对大数据文件的处理&＃xff0c;而不适合对海量小文件的处理。因此&＃xff0c;当要处理海量的用户文档、图片、数据文件时&＃xff0c;应当将其整合成一个大文件&＃xff08;序列文件&＃xff09;&＃xff0c;然后交给MapReduce处理。唯有这样才能充分发挥MapReduce的性能。