大数据核心技术概论

大数据核心技术概述

大数据基石三大论文：GFS（Hadoop HDFS）、BigTable（Apache HBase）、MapReduce（Hadoop MapReduce）。

搜索引擎的核心任务：一是数据采集，也就是网页的爬取；二是数据搜索，也就是索引的构建。 数据采集离不开存储，索引的构建也需要大量计算，所以存储容器和计算能力贯穿搜索引擎的整个更迭过程。

Google在 2003/2004/2006 年相继发布谷歌分布式文件系统 GFS(被Hadoop HDFS借鉴)、大数据分布式计算框架 MapReduce（被Hadoop MapReduce借鉴）、大数据 NoSQL数据库 BigTable (被Apache Hbase借鉴)，这三篇论文奠定了大数据技术的基石。

大数据基石三大论文——GFS

 GFS解决复杂工程问题的设计细节如下：

• 简化系统元信息：Master 中维持了两个重要的映射，分别是文件路径到逻辑数据块，逻辑块与其多副本之间的关系。
• 较大的数据块：选择了当时看来相当大的 64M 作为数据存储的基本单位，以此来减少元信息。
• 放宽的一致性：允许多副本间内容不一致来简化实现、提高性能，通过读校验来保证损坏数据对用户不可见。
• 高效副本同步：在多副本同步时分离控制流和数据流，利用网络拓扑提高同步效率。
• 租约分散压力：Master 通过租约将部分权力下放给某个 Chunkserver ，负责某个块的多副本间的读写控制。
• 追加并发优化：多客户端对同一文件进行并发追加，保证数据原子性及At Least Once的语义。
• 快速备份支持：使用 COW（Copy on Write） 策略实现快照操作，并通过块的引用计数来进行写时拷贝。
• 逐节点锁控制：对于每个操作，需要沿着文件路径逐节点获取读锁，叶子节点获取读锁或者写锁，当然文件路径会进行前缀压缩。
• 异步垃圾回收：将数据删除与其他一些主节点的维护操作（损坏块清除，过期数据块移除）统一起来，成为一个定期过程。
• 版本号标记：帮助客户端识别过期数据。
• 数据块校验和：针对每 64KB 的小块打上 32 bit 的校验和。

大数据基石三大论文——BigTable

 

大数据基石三大论文——MapReduce 

大数据技术体系——以Hadoop为例

Hadoop1.0

Hadoop2.0

Hadoop的优势 

• 易用性（低成本）：Hadoop开源，软件使用成本低；Hadoop可以运行在廉价机器构成的大型集群上，硬件使用成本低。
• 高可靠性（高容错性）：Hadoop能够保存数据的多个副本，自动检测处理节点失败的情况，并能够自动重新分配失败的任务。
• 高效性：Hadoop能够在节点之间动态的移动数据，并保证各个节点的动态平衡，因此处理速度非常快。
• 高扩展性：Hadoop在计算机集群上分配数据并完成计算任务，计算机集群中可以增设节点。