Hadoop

　　Google的数据中心使用廉价的Linux PC机组成集群，在上面运行各种应用。即使是分布式开发的新手也可以迅速使用Google的基础设施。核心组件是3个： 　　1、GFS（Google File System）。一个分布式文件系统，隐藏下层负载均衡，冗余复制等细节，对上层程序提供一个统一的文件系统API接口。Google根据自己的需求对它 进行了特别优化，包括：超大文件的访问，读操作比例远超过写操作，PC机极易发生故障造成节点失效等。GFS把文件分成64MB的块，分布在集群的机器 上，使用Linux的文件系统存放。同时每块文件至少有3份以上的冗余。中心是一个Master节点，根据文件索引，找寻文件块。详见Google的工程 师发布的GFS论文。 　　2、MapReduce。Google发现大多数分布式运算可以抽象为MapReduce操 作。Map是把输入Input分解成中间的Key/Value对，Reduce把Key/Value合成最终输出Output。这两个函数由程序员提供给 系统，下层设施把Map和Reduce操作分布在集群上运行，并把结果存储在GFS上。 　　3、BigTable。一个大型的分布式数据库，这个数据库不是关系式的数据库。像它的名字一样，就是一个巨大的表格，用来存储结构化的数据。 　　以上三个设施Google均有论文发表。


Hadoop是项目的总称，起源于作者儿子的一只吃饱了的大象的名字。主要是由HDFS、MapReduce和Hbase组成。 　　HDFS是Google File System（GFS）的开源实现。 　　MapReduce是Google MapReduce的开源实现。 　　HBase是Google BigTable的开源实现。 　　这个分布式框架很有创造性，而且有极大的扩展性，使得Google在系统吞吐量上有很大的竞争 力。因此Apache基金会用Java实现了一个开源版本，支持Fedora、Ubuntu等Linux平台。目前Hadoop受到Yahoo的支持，有 Yahoo员工长期工作在项目上，而且Yahoo内部也准备使用Hadoop代替原来的的分布式系统。 　　Hadoop实现了HDFS文件系统和MapRecue。用户只要继承MapReduceBase，提供分别实现Map和Reduce的两个类，并注册Job即可自动分布式运行。 　　目前Release版本是0.20.1。还不成熟，但是已经集群规模已经可以达到4000个节点，是由Yahoo!实验室中构建的。下面是此集群的相关数据: 　　• 4000 节点 　　• 2 x quad core Xeons@2.5ghz per 节点 　　• 4 x 1TB SATA Disk per 节点 　　• 8G RAM per 节点 　　• 千兆带宽 per 节点 　　• 每机架有40个节点 　　• 每个机架有4千兆以太网上行链路 　　• Redhat Linux AS4 （ Nahant update 5 ） 　　• Sun Java JDK1.6.0_05 - b13 　　• 所以整个集群有30000多个CPU，近16PB的磁盘空间！ 　　HDFS把节点分成两类：NameNode和DataNode。NameNode是唯一的，程序与之通信，然后从DataNode上存取文件。这些操作是透明的，与普通的文件系统API没有区别。 　　MapReduce则是JobTracker节点为主，分配工作以及负责和用户程序通信。 　　HDFS和MapReduce实现是完全分离的，并不是没有HDFS就不能MapReduce运算。 　　Hadoop也跟其他 云计算项目有共同点和目标：实现海量数据的计算。而进行海量计算需要一个稳定的，安全的数据容器，才有了Hadoop分布式文件系统（HDFS，Hadoop Distributed File System）。 　　HDFS通信部分使用org.apache.hadoop.ipc，可以很快使用RPC.Server.start()构造一个节点，具体业务功能还需自己实现。针对HDFS的业务则为数据流的读写，NameNode/DataNode的通信等。 　　MapReduce主要在org.apache.hadoop.mapred，实现提供的接口类，并完成节点通信（可以不是hadoop通信接口），就能进行MapReduce运算。 　　目前这个项目还在进行中，还没有到达1.0版本，和Google系统的差距也非常大，但是进步非常快，值得关注。 　　另外，这是云计算（Cloud Computing）的初级阶段的实现，是通向未来的桥梁。 　　Hadoop的发音音标 [hædu:p]