问题很简单:尽管近年来硬盘的存储量已经大量增加,访问速度--从硬盘上读取数据的速度--却
没有跟上硬盘容量的增长节奏。1990年一个标准的硬盘可以存储1370MB的数据,传输速度是4.4MB/s,
所以你可以在大约5分钟内读取所有数据。20年之后,1TB的硬盘已经很常见了,但是传输速度
大约有100MB/s,所以要从硬盘读取所有数据将耗时两个半小时。
从一块硬盘上读取所有数据的时间是很长的--如果要是写的话那将会更慢。减少读取时间的一个
明显方法是一次从多个硬盘读取数据。想象一下,如果我们有100块硬盘,每块硬盘存储百分之一
的数据。并行工作的话,我们可以在两分钟之内读取所有数据。
只使用硬盘的百分之一看起来很浪费。但是我们可以存储100个数据集合,它们中的每一个都是1TB,
并且为它们提供共享访问。我们可以想象,系统的用户会很乐意提供共享访问来缩短分析时间,并且从
统计学上来说,他们的分析工作在时间上会分开,所以他们不怎么会相互影响。尽管有更多 时候从
多个硬盘并行读取或写入数据。
首先要解决的问题是硬件错误:一旦你使用很多的硬盘碎片,它们之中有一个失败的机会就会很高。
为了避免数据丢失的一个普遍方法是复制:系统保持数据的拷贝,一旦发生错误,可以使用另外一个
备份文件。这就是独立磁盘冗余阵列(RAID)的工作方式,但是HADOOP的文件系统,HDFS,采用了
一个稍微不同的途径,稍后你可以看到。
第二个问题是大部分的分析工作需要联合数据,从一个硬盘读取的数据也许需要与其它99个硬盘读取
的数据联合。各种分布式系统可以从不同的数据源整合数据,但是想要正确的做到这件事是一个很大的
挑战。MapReduce从程序读写硬盘抽象出了一个编程模型,把它转换成计算一组键值对。稍后我们会
看看这个模型的细节,但是当前讨论的重点是有两个部门需要计算--映射和归纳--而这两都之间的接口就是
联合发生的地方。如同HDFS,MapReduce也已可靠的内置进来。
简单的说,HADOOP提供了几下内容:一个数据存储和分析的可靠的,可伸缩的平台。同时,因为它
运行在普通的硬件上并且是开源的,HADOOP是一个负担的起的解决方案。