[Hadoop in Action] 第1章 Hadoop简介

• 编写可扩展、分布式的数据密集型程序和基础知识

• 理解Hadoop和MapReduce

• 编写和运行一个基本的MapReduce程序

1、什么是Hadoop

Hadoop是一个开源的框架，可编写和运行分布式应用处理大规模数据。

Hadoop与众不同之处在于以下几点：

1. 方便——Hadoop运行在由一般商用机器构成的大型集群上，或者云计算服务之上；

2. 健壮——Hadoop致力于在一般商用硬件上运行，其架构假设硬件会频繁地出现失效；

3. 可扩展——Hadoop通过增加集群节点，可以线性地扩展以处理更大的数据集；

4. 简单——Hadoop运行用户快速编写出高效的并行代码。

2、了解分布式系统和Hadoop

理解分布式系统（向外扩展）和大型单机服务器（向上扩展）之间的对比，考虑现有I/O技术的性价比。

理解Hadoop和其他分布式架构（SETI@home）的区别：

Hadoop设计理念是代码向数据迁移，而SETI@home设计理念是数据迁移。

要运行的程序在规模上比数据小几个数量级，更容易移动；此外，在网络上移动数据要比在其上加载代码更花时间，不如让数据不动而将可执行代码移动到数据所在机器上去。

3、比较SQL数据库和Hadoop

SQL（结构化查询语言）是针对结构化数据设计的，而Hadoop最初的许多应用针对的是文本这种非结构化数据。让我们从特定的视角将Hadoop与典型SQL数据库做更详细的比较：

1. 用向外扩展代替向上扩展——扩展商用关系型数据库的代价会更加昂贵的

2. 用键／值对代替关系表——Hadoop使用键／值对作为基本数据单元，可足够灵活地处理较少结构化的数据类型

3. 用函数式编程（MapReduce）代替声明式查询（SQL）——在MapReduce中，实际的数据处理步骤是由你指定的，很类似于SQL引擎的一个执行计划

4. 用离线处理代替在线处理——Hadoop是专为离线处理和大规模数据分析而设计的，并不适合那种对几个记录随机读写的在线事务处理模式

4、理解MapReduce

MapReduce是一种数据处理模型，最大的优点是容易扩展到多个计算节点上处理数据；

在MapReduce模型中，数据处理原语被称为mapper和reducer；

分解一个数据处理应用为mapper和reducer有时是繁琐的，但是一旦一MapReduce的形式写好了一个应用程序，仅需修改配置就可以将它扩展到集群中几百、几千，甚至几万台机器上运行。

［动手扩展一个简单程序］

少量文档处理方式：对于每个文档，使用分词过程逐个提取单词；对于每个单词，在多重集合wordcount中的相应项上加1；最后display()函数打印出wordcount中的所有条目。

大量文档处理方式：将工作分布到多台机器上，每台机器处理这些文档的不同部分，当所有机器都完成时，第二个处理阶段将合并这些结果。

一些细节可能会妨碍程序按预期工作，如文档读取过量导致中央存储服务器的带宽性能跟不上、多重集合wordcount条目过多超过计算机的内存容量。此外，第二阶段只有一个计算机处理wordcount任务，容易出现瓶颈，所以可以采用分布的方式运转，以某种方式将其分割到多台计算机上，使之能够独立运行，即需要在第一阶段后将wordcount分区，使得第二阶段的每台计算机仅需处理一个分区。

为了使它工作在一个分布式计算机集群上，需要添加以下功能：

• 存储文件到许多计算机上（第一阶段）

• 编写一个基于磁盘的散列表，使得处理不受内存容量限制

• 划分来自第一阶段的中间数据（即wordcount）

• 洗牌这些分区到第二阶段中合适的计算机上

MapReduce程序执行分为两个主要阶段，为mapping和reducing，每个阶段均定义为一个数据处理函数，分别称为mapper和reducer。在mapping阶段，MapReduce获取输入数据并将数据单元装入mapper；在reduce阶段，reducer处理来自mapper的所有输出，并给出最终结果。简而言之，mapper意味着将输入进行过滤与转换，使reducer可以完成聚合。

另外，为了扩展分布式的单词统计程序，不得不编写了partitioning和shuffling函数。

在MapReduce框架中编写应用程序就是定制化mapper和reducer的过程，以下是完整的数据流：

1. 应用的输入必须组织为一个键／值对的列表list(<k1,v1>)；

2. 含有键／值对的列表被拆分，进而通过调用mapper的map函数对每个单独的键／值对<k1,v1>进行处理；

3. 所有mapper的输出被聚合到一个包含<k2,v2>对的巨大列表中；

4. 每个reducer分别处理每个被聚合起来的<k2,list(v2)>，并输出<k3,v3>。

5、用Hadoop统计单词——运行第一个程序

• Linux操作系统

• JDK1.6以上运行环境

• Hadoop操作环境

Usage：hadoop [—config configdir] COMMAND

这里COMMAND为下列其中一个：

namenode -format                                             格式化DFS文件系统

secondarynamenode                                         运行DFS的第二个namenode

namenode                                                          运行DFS的namenode

datanode                                                            运行一个DFS的datanode

dfsadmin                                                            运行一个DFS的admin客户端

fsck                                                                    运行一个DFS文件系统的检查工具

fs                                                                        运行一个普通的文件系统用户客户端

balancer                                                             运行一个集群负载均衡工具

jobtracker                                                           运行MapReduce的jobtracker节点

pipes                                                                  运行一个pipes作业

tasktracker                                                         运行一个MapReduce的tasktracker节点

job                                                                      处理MapReduce作业

version                                                                打印版本

jar <jar>                                                              运行一个jar文件

distcp <srcurl> <desturl>                                   递归地复制文件或者目录

archive  -archiveName NAME <src>* <dest>    生成一个Hadoop档案

daemonlog                                                         获取或设置每个daemon的log级别

CLASSNAME                                                     运行名为CLASSNAME的类大多数命令会在使用w/o参数

                                                                           时打出帮助信息。

运行单词统计示例程序的命令形式如下：

hadoop jar hadoop-*-examples.jar wordcount [-m <maps>] [-r reduces] input output

编译修改后的单词统计程序的命令形式如下：

javac -classpath hadoop-*-core.jar -d playground/classes playground/src/WordCount.java

jar -cvf playground/src/wordcount.jar -C playground/classes/

运行修改后的单词统计程序的命令形式如下：

hadoop jar playground/wordcount.jar org.apache.hadoop.examples.WordCount input output

代码清单 WordCount.java

package org.apache.hadoop.examples;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class WordCount {
  public static class TokenizerMapper 
       extends Mapper<Object, Text, Text, IntWritable>{
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();
    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());   //（1）使用空格进行分词
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());   //（2）把Token放入Text对象中
        context.write(word, one);
      }
    }
  }
  public static class IntSumReducer 
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();
    public void reduce(Text key, Iterable<IntWritable> values, 
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);   //（3）输出每个Token的统计结果
    }
  }
  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length < 2) {
      System.err.println("Usage: wordcount <in> [<in>...] <out>");
      System.exit(2);
    }
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    for (int i = 0; i < otherArgs.length - 1; ++i) {
      FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
    }
    FileOutputFormat.setOutputPath(job,
      new Path(otherArgs[otherArgs.length - 1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

在（1）的位置上wordcount以默认配置使用了Java的StringTokenizer，这里仅基于空格来分词。为了在分词过程中忽略标准的标点符号，将它们加入到stringTokenizer的定界符列表中：

          StringTokenizer itr ＝ new StringTokenizer(value.toString(),” \t\n\r\f,.:;?![]’");

因为希望单词统计忽略大小写，把它们转换为Text对象前先将所有的单词都变成小写：

          word.set(itr.nextToken().toLowerCase());

希望仅仅显示出现次数大于4次的单词：

          if (sum > 4) context.write(key, result);

6、hadoop历史

创始人：Doug Cutting

2004年左右——Google发表了两篇论文来论述Google文件系统（GFS）和MapReduce框架。

2006年1月——雅虎聘用Doug，让他和一个专项团队一起改进Hadoop，并将其作为一个开源项目。