Hadoop版本选择探讨

由于Hadoop版本混乱多变，因此，Hadoop的版本选择问题一直令很多初级用户苦恼。本文总结了Apache Hadoop和Cloudera Hadoop的版本衍化过程，并给出了选择Hadoop版本的一些建议。

1. Apache Hadoop

1.1  Apache版本衍化

截至目前（2012年12月23日），Apache Hadoop版本分为两代，我们将第一代Hadoop称为Hadoop 1.0，第二代Hadoop称为Hadoop 2.0。第一代Hadoop包含三个大版本，分别是0.20.x，0.21.x和0.22.x，其中，0.20.x最后演化成1.0.x，变成了稳定版， 而0.21.x和0.22.x则NameNode HA等新的重大特性。第二代Hadoop包含两个版本，分别是0.23.x和2.x，它们完全不同于Hadoop 1.0，是一套全新的架构，均包含HDFS Federation和YARN两个系统，相比于0.23.x，2.x增加了NameNode HA和Wire-compatibility两个重大特性。

经过上面的大体解释，大家可能明白了Hadoop以重大特性区分各个版本的，总结起来，用于区分Hadoop版本的特性有以下几个：

（1）Append 支持文件追加功能，如果想使用HBase，需要这个特性。

（2）RAID 在保证数据可靠的前提下，通过引入校验码较少数据块数目。详细链接：

https://issues.apache.org/jira/browse/HDFS/component/12313080

（3）Symlink 支持HDFS文件链接，具体可参考： https://issues.apache.org/jira/browse/HDFS-245

（4）Security Hadoop安全，具体可参考：https://issues.apache.org/jira/browse/HADOOP-4487

（5） NameNode HA 具体可参考：https://issues.apache.org/jira/browse/HDFS-1064

（6） HDFS Federation和YARN

需要注意的是，Hadoop 2.0主要由Yahoo独立出来的hortonworks公司主持开发。

1.2  Apache版本下载

（1） 各版本说明：http://hadoop.apache.org/releases.html。

（2） 下载稳定版：找到一个镜像，下载stable文件夹下的版本。

（3） Hadoop最全版本：http://svn.apache.org/repos/asf/hadoop/common/branches/，可直接导到eclipse中。

2. Cloudera Hadoop

2.1  CDH版本衍化

Apache当前的版本管理是比较混乱的，各种版本层出不穷，让很多初学者不知所措，相比之下，Cloudera公司的Hadoop版本管理的要很多。

我们知道，Hadoop遵从Apache开源协议，用户可以免费地任意使用和修改Hadoop，也正因此，市面上出现了很多Hadoop版本，其中 比较出名的一是Cloudera公司的发行版，我们将该版本称为CDH（Cloudera Distribution Hadoop）。截至目前为止，CDH共有4个版本，其中，前两个已经不再更新，最近的两个，分别是CDH3（在Apache Hadoop 0.20.2版本基础上演化而来的）和CDH4在Apache Hadoop 2.0.0版本基础上演化而来的），分别对应Apache的Hadoop 1.0和Hadoop 2.0，它们每隔一段时间便会更新一次。

Cloudera以patch level划分小版本，比如patch level为923.142表示在原生态Apache Hadoop 0.20.2基础上添加了1065个patch（这些patch是各个公司或者个人贡献的，在Hadoop jira上均有记录），其中923个是最后一个beta版本添加的patch，而142个是稳定版发行后新添加的patch。由此可见，patch level越高，功能越完备且解决的bug越多。

Cloudera版本层次更加清晰，且它提供了适用于各种操作系统的Hadoop安装包，可直接使用apt-get或者yum命令进行安装，更加省事。

2.2 CDH版本下载

（1） 版本含义介绍：

https://ccp.cloudera.com/display/DOC/CDH+Version+and+Packaging+Information

（2）各版本特性查看：

https://ccp.cloudera.com/display/DOC/CDH+Packaging+Information+for+Previous+Releases

（3）各版本下载：

CDH3：http://archive.cloudera.com/cdh/3/

CDH4：http://archive.cloudera.com/cdh4/cdh/4/

注意，Hadoop压缩包在这两个链接中的最上层目录中，不在某个文件夹里，很多人进到链接还找不到安装包！

3. 如何选择Hadoop版本

当前Hadoop版本比较混乱，让很多用户不知所措。实际上，当前Hadoop只有两个版本：Hadoop 1.0和Hadoop 2.0，其中，Hadoop 1.0由一个分布式文件系统HDFS和一个离线计算框架MapReduce组成，而Hadoop 2.0则包含一个支持NameNode横向扩展的HDFS，一个资源管理系统YARN和一个运行在YARN上的离线计算框架MapReduce。相比于 Hadoop 1.0，Hadoop 2.0功能更加强大，且具有更好的扩展性、性能，并支持多种计算框架。

当我们决定是否采用某个软件用于开源环境时，通常需要考虑以下几个因素：

（1）是否为开源软件，即是否免费。

（2） 是否有稳定版，这个一般软件官方网站会给出说明。

（3） 是否经实践验证，这个可通过检查是否有一些大点的公司已经在生产环境中使用知道。

（4） 是否有强大的社区支持，当出现一个问题时，能够通过社区、论坛等网络资源快速获取解决方法。

考虑到以上几个因素，我们分析一下开源软件Hadoop。对于Hadoop 2.0而言，目前尚不稳定，无法用于生产环境，因此，如果当前你正准备使用Hadoop，那么只能从Hadoop 1.0中选择一个版本，而目截至目前（2012年12月23日），Apache和Cloudera最新的稳定版分别是Hadoop 1.0.4和CDH3U4，因此，你可以从中任选一个使用。如今Hadoop 2.0已经发布了最新的稳定版2.2.0，推荐使用该版本，具体介绍可阅读：“Hadoop 2.0稳定版本2.2.0新特性剖析”，升级方法可参考：“Hadoop升级方案（二）：从Hadoop 1.0升级到2.0（1）”。 

 

 

 

 

 

 

 

2015年Hadoop大数据技术有望在多行业

| 作者: - | 责编: 赵伟平 2015-02-09 05:00:00 

抢沙发 

  引言：现在越来越多的公共突发事件当中，尤其是像人为的突发事件，比如说最近像上海的踩踏事件，互联网也好，大数据也好，能不能发挥一些正能量的作用?防 止这种悲剧的再度重演呢?本期IT名人堂的访谈嘉宾是星环科技的联合创始人孙元浩先生，我们在2015中国Hadoop技术峰会上对他进行了独家访谈。

  孙元浩认为，完全可以用一些新的技术手段来检测外滩人流的变化，为公安部门和交通部门提供一些信息指导，比如摄像数据充当数据源来做一些提前的预警。通过 地铁刷卡数据、和轨道交通数据来判断人流量，发现地铁数据的异常，公安部门可以直接和交通部门协调，从而疏散人流。其次，我们还可以结合数据源运营商基站 的信号对数据进行分析，它们包含了用户手机的 大致位置，我们能够迅速的判断出人群密度以及变化趋势。随着手机的移动，根据基站里手机的移动方向可以预测密度的范围，这些信息综合起来可以形成从轨道地 下、地面到空中的全方位检测，这些信息可以迅速反馈给公安，为治安提供导向性的方案。此外，还有一个车流信息数据的采集也是非常重要的，机动车辆经过外 滩、乃至全市交通，都会留下一条记录，我们可以迅速判断哪些机动车没有离开，逗留了，从而推断出这里的车辆可能发生了挤压状况。在这种情况下，我们可以立 刻反馈给交通部门，所有的营运车辆不允许经过外滩，这种方式也能缓解交通情况，所以综合这些措施也是能够做到预防的。

  皮皮：在大数据的时代里，数据是一个让企业很纠结的话题，很多人会认为数据是死的，人是活的，数据挖掘的世界既是一个地雷阵，同时又是金矿，那大数据到底能给我们带来什么呢?如何在海量的数据里挖掘出有价值的数据为己所用呢?

  在采访中，孙总为我们概括了大数据的三种典型应用场景，其用武之地小到个人、家庭，大到国家，大数据可谓是无所不能。今天Hadoop主要应用场景集中在 技术处理上，但是已经有一部分的应用开始偏向机器学习。星环科技与合作伙伴也开始尝鲜，利用Hadoop技术来处理数据的高级分析，从大数据中挖掘出有价 值的数据。

  第一个典型的应用场景是利用大数据来满足实时营销，比如实时采集用户手机的位置信息，推送WI-FI的热点，根据用户的购物历史，刷卡记录来做数据分析，推送个性化的营销，比如电影票或感兴趣的商品等。

  第二个典型的应用场景是利用大数据来预测用电量，孙总为我们介绍了一个从事用电数据分析的真实客户案例。有些省份已经布置了很多智能电表，多达几千万户家 庭，电表采集密度每天高达23次，通过电网传感器的数据可以分析用电量与气候之间的关系，能够帮助电力公司来初步的预测未来的电力需求量，同时也能挖掘出 企业用电和GDP增长之间的关系。

  第三个典型的应用场景是大数据应用在医疗领域，有些企业应用大数据的分析对DNA进行比对。过去对高龄产妇进行检查，手术存在风险。现在采用大数据的新技 术，通过采集胎儿的DNA序列进行比对，一旦发现胎儿的异常症状，就可以采取措施，这种方法与手术相比，更加准确，也无风险的，这种新的技术随着大数据应 用越来越广泛。

  皮皮：60%的Hadoop应用是用在SQL统计领域，最早的Hadoop是用于ETL，包括从数据的萃取到转制到最后的加载，而现在我们发现像FACEBOOK的数据仓库也用到了Hadoop 的数据仓库，那么Hadoop与数据仓库究竟有什么样的关系呢?

  孙总坦言，互联网公司从第一天开始就是用Hadoop做数据仓库，所以Hadoop是互联网公司建数据的第一选择，实际上Hadoop是互联网公司的数据 仓库。而对传统企业来讲，IT架构也发生了比较大的变化，比如在运营商、银行、物流、飞机等其它行业，Hadoop作为一个数据仓库的补充，但是把 Hadoop运用到这些企业当中的时候存在一个显著的问题，传统的IT架构，在上面已经有大的应用了，这些应用很多是基于SQL的，应用类型与复杂程度其 实是超过了互联网公司，所以hadoop在进入了这个领域的时候，有些局限，早期只是做ETL。而随着hadoop技术的发展，像国外的一些公司包括我们 公司都能提供比较完整的SQL支持，这样使得我们能够更进一步用hadoop来替代企业的某些数据仓库。

  传统的数据仓库像一些大的企业国有银行，动不动就是几个亿，维护扩建也是几个亿的，成本经费非常昂贵，而Hadoop提供了性价比非常高的方案，这是企业在选择的时候的一个考虑的重要因素。

  除成本外，Hadoop能够用来处理非结构化数据。对银行而言，像视频数据、票据数据，虽然目前对银行的价值不是太高，但是需要一个存储机制来存 放，Hadoop的技术算法越来越成熟，数据发掘的工具也越来越丰富，这就使得企业在运用Hadoop技术之后能发现额外的一些增值的东西。

  孙总预计，传统的企业IT架构慢慢向Hadoop迁移，未来大概两三年，企业的传统IT架构慢慢就会被hadoop来取代。Hadoop会成为企业的数据仓库的中心，未来hadoop会是各个行业的企业数据仓库。

  皮皮：谈到大数据，有3V，Volume(大量)、Velocity(高速)、Variety(多样)，尤其是在物联网时代，像气象、交通等实时数据量大，并发度高，那么物联网大数据与互联网大数据有什么区别?对企业的技术底层架构有哪些挑战?

  孙总表示，互联网其实是一个连接人的一个网络，采集的数据大部分都是人的行为的数据，比如说人的交易的数据、人的上网记录，而物联网采集的数据更多是机器 的数据。如果比较这两个数据源的话，我们发现它的数据量是会差一个量级的，全世界人口可能是60亿人口，可是有上百亿的设备，这些设备如果都采集数据的话 呢，它的量会比互联网的数据大一数量及，所以这个会对未来的数据架构产生一个新的大的挑战。

  第二个特点是，物联网的数据并发度非常高，而且数据一旦产生需要立刻被处理。孙总举了一个真实的客户案例，客户目前有一千万个传感器，每秒钟一千万个量级的数据发送量，可能就已经超过很多互联网公司的数据量，对底层架构的并发要求非常高。

  第三个差异化在于互联网的数据可能是人的行为数据，主要用来分析，可以做一些营销，但是物联网数据来说更多的是发现一些自然规律，当然这里面也使用到了大量的技术运算，也会用到大量的复杂的物理和数学的方法。

  皮皮：大数据的浪潮风靡全球，与Hadoop类似，Spark也火了。在国外 、Intel、Amazon、Cloudera 等公司率先应用并推广 Spark 技术，在国内阿里巴巴、百度、淘宝、腾讯、网易、星环等公司敢为人先，Spark 在IT业界的应用可谓星火燎原之势，未来Spark能否取代Hadoop?

  孙总表示，非常希望(Spark)能够取代HADOOP，从这个整个生态系统的发展趋势来看，(Spark)会慢慢取代(MapReduce)，当然在星 环科技的产品当中已经拿(Spark)取代(MapReduce)，此外孙总在视频采访中还重点为我们讲解了Hadoop的分布式计算框架的架构，干货剖 多，请大家点击视频观看详情。

  皮皮：我注意到2015年新年刚开始，你们公司成功完成了新一轮的数千万的融资了。那我之前也了解到浪潮与你们强强联手，成功搭建了基于Hadoop的大数据信息化平台，能不能从合作伙伴的角度来和我们简单的谈一谈Hadoop的生态圈?

  孙总坦言，希望能够促进Hadoop真个生态系统的发展，目前有三类合作伙伴，一类是行业应用方案解决方案的提供商，比如在交通行业的合作伙伴，在与我们 进行深度的合作，能够高效的处理数据或者是银行的数据或者是交通的侧重信息。另外一类合作伙伴是我们认证的一些服务商，对他进行培训，他们帮我们进行安装 部署运维，这些服务工作，第三个是他们的产品与我们是有互补性的有可能是硬件厂商，像浪潮。

  皮皮：那最后一个问题了，IDC公司预测，数据每天将增长40%-50%这意味着到2020年总体的数据量将会达到40PB?那非结构话的数据主要来源我 们日常的邮件还有论坛。博客社交网络，包括我们的POSE系统还有机器生成的一些数据了，那么面对这些非结构化的数据，你们提供了一些什么样的 Hadoop解决方案，未来Hadoop还会有哪一些新的版本会发布?

  孙元浩认为，未来很多计算框架也会与Hadoop进行融合，等到hadoop3.0的时候，可能会安全性与性能上得到很大的提升，在资源管理效率上得到比较大的增强。

  孙总透露，星环科技预计在2015年发布2款新产品，第一款产品针对物联网部署的大量传感器产生的数据，专注于处理时序数据，首先会进入新能源行业。它能 够对传感器产生的大量数据进行高效处理，在内存里存储数据或者是将SSD上的数据转成内存存储，对所有的时序数据进行数据挖掘分析。

  第二款产品预计会在2015年下半年推出，这是一款利用Container和Docker来运行Hadoop的现有版本，帮助企业简化Hadoop的部署 流程，有了这个方案以后，企业在部署Hadoop机群的时候，再启动100个机群的时候可能只需要2、3秒就可以启动，自动进行扩容，即便机器发生故障也 能够自动迁移。这样一来，可以大大降低企业管理Hadoop的成本、包括维护的成本，同时也能够做非常有效的资源隔离，因为运用Container技术能 够做到CPU内存网络磁盘的隔离，隔离性会比之前更好。如此一来，Hadoop作为企业的数据的计算，能够满足多个部门在统一个数据平台上进行数据分析， 就可以通过这种技术有效的实现。