初识Hadoop

1.Hadoop 发展历史

1.1 Hadoop 产生背景

Hadoop 最早起源于Nutch。Nutch是一个开源的网络搜索引擎，始于2002年，Nutch的设计目标是构建一个大型的全网搜索引擎，包括抓取网页，索引，查询等，但是随着数据量的增加，遇到了扩展问题。直至2003年google发表了一篇关于google的文件系统GFS，该论文描述了google搜索引擎网页数据的存储架构，该架构解决了Nutch遇到的问题，随即实现了自己的分布式文件系统，即NDFS（此间google只是开源思想，但并未开源代码），到了2004年的google的另一篇论文MapReduce：simplified data processing on large cluster ,震惊世界，该论文描述了分布式计算的框架，但也只是开源思想，并不开源代码，Nutch的开发人员靠自己完成了实现，由于NDFS和MapReduce的成功，2006年Nutch的开发人员，随即将其移出Nutch，成为Lucene的子项目，称为Hadoop（据说是Doug Cutting儿子的玩具大象的名字），随着Hadoop的发展，2008年，Hadoop已经成为Apache基金会的顶级项目，也促生了Hadoop家族其他项目的发展。
1.2 Hadoop思想之源

Hadoop的思想主要来源于google，此间google的俩大论文GFS，MapReduce起了决定性的作用，而google的低成本之道（不使用超级计算机，不用存储；大量使用PC server，提供冗余的集群服务...）也是成功的根本。而google的成功也得益于Page Rank算法。

更加详尽有关Page Rank可以参考：http://blog.csdn.net/v_july_v/article/details/6142146

目前hadoop发展迅速，是实现云计算标准开源软件，已经可以在数千节点上面运行，处理数据量和速度有很可观的效果。同时，hadoop家族的项目也得到了相应的发展。

2 Hadoop的架构

2.1 Hadoop的俩大支柱：HDFS和MapReduce

其中HDFS用于大规模数据的分布式存储，而MapReduce则构建在HDFS之上，对数据进行分布式计算。

2.1 HDFS架构

HDFS是一个具有高容错性的分布式系统，适合部署在廉价的机器上，HDFS可以提供高吞吐量的数据访问，适合大数据集的应用，主要有client，NameNode，SecondaryNameNode，DataNode几个组件构成。

client:通过于NameNode于DataNode交互访问HDFS文件。

NameNode：HDFS的守护程序，是个“总管”，记录文件是如何分割成数据块的，以及这些数据块存储到哪些节点，对IO和内存进行集中管理，且是个单点。

SecondaryNameNode:监控HDFS状态的辅助后台程序，每个集群都有一个，与NameNode进行通讯，定期存储HDFS元数据快照，并且在NameNode故障的时候，提供备份作用。

DataNode：负责把HDFS数据块读写到本地文件系统，并将数据定期汇报给NameNode，DataNode以固定大小的block（默认64MB）为基本单位。

2.2 MapReduce 架构

同HDFS一样，MR也采用了Master/Slave模式，有以下组件：client，JobTracker，TaskTracker,Task.

JobTracker：负责资源监控和作业调度，运行主节点，对HDFS总控，决定哪些文件an参与处理，然后分割task并分配节点，重启失败的task等

TaskTracker：位于slave节点上，与datanode结合，管理各自节点上的task，与JobTracker交互（周期性的通过heartbeat将资源使用情况和任务进度汇报给jobtracker）。TaskTracker通过使用“slot”等量划分（划分方法用户自己决定）节点上的资源量，分为Mapslot 和Reduceslot来提供Map任务和Reduce任务的使用。

Task：Map Task和Reduce Task，有TaskTracker启动。

Map Task流程：Map Task先将对应的split（MapReduce处理单位）迭代解析成一个个的key/alue对，依次调用map函数进行处理，最终将临时结果存到本地磁盘中，其临时数据分成若干个partition，每个partition将被一个reduce task 处理。

reduce task流程：读取partition部分，对结果排序，依次读取<key,value list>，调用用户自己的reduce函数处理，结果存到HDFS上面。

参考书籍：Hadoop实战，Hadoop技术内幕 深入解析MapReduce架构设计与实现原理。

dataguru：http://www.dataguru.cn/forum.php