Hadoop权威指南(第三版)学习笔记之一初识Hadoop

第1章 初识Hadoop

1.1 数据！数据！

大数据1ZB=1000EB=10^6^PB=10^9^TB=10^21^ 字节，相当于世界上每个人一个硬盘驱动器所能容纳数据的数量级。推荐系统中“大量数据胜于好的算法”。

1.2 数据存储与分析

1TB硬盘，按其传输熟读约为100MB/s来算，读取整个硬盘数据需要约2.5h，但是将相同内容存放在100个硬盘中，每个存储1%，并行读取，用时不超过2min。实际情况下，可以存储100个数据集，每个1TB，实现共享硬盘的访问，可以大大缩短数据分析时间（统计角度来看，用户的分析工作时间不同，干扰不大）。

 问题1-1：实现多个硬盘的并行读写，需解决问题？

（1）硬件故障。需要对数据进行备份：系统保存数据的冗余副本，发生故障会，可以使用数据的另一可用复本。例如，Hadoop的文件系统，HDFS也是其中一类。
（2）大多数任务需要结合大部分数据共同完成。各种分布式系统允许结合多个来源的数据实现分析，但保持正确性是一个重要问题。

MapReduce提出了一个编程模型，将上述硬盘读写问题进行抽象，转换为对一个数据集（键值对形式）的计算，只有map和reduce这两部分提供对外的接口。Hadoop提供了一个可靠的共享存储和分析系统。核心：HDFS实现存储和MapReduce实现分析处理。

1.3 相较与其他系统的优势

MapReduce：每个查询需要处理整个数据集（或大部分），是一个批量查询处理器，而且能够在合理的时间范围内处理针对整个数据集的即时查询（用时短）。

1.3.1 关系型数据库管理系统

 问题1-2：为什么不能用数据库来对大量硬盘上的大规模数据进行批量分析？
（1）因为寻址时间的提高远慢于传输速率的提高。寻址：是将磁头移动到特定硬盘位置进行读写操作的过程。它是导致硬盘操作延迟的主要原因，而传输速率取决于带宽。
（2）如果数据访问模式中包含大量的硬盘寻址，必然会耗费大量时间（相较于流数据读取模式，流读取主要取决于传输速率）。

类型	传统关系型数据库	MapReduce
数据大小	GB	PB
访问	交互式和批量处理	批处理
更新	多次读/写	一次写入，多次读取
结构	静态模式	动态模式
完整性	高	低
横向扩展	非线性	线性

表1-1关系型数据库和MapReduce比较

关系型数据库和MapReduce差异性如下，MapReduce适合批处理需要分析整个数据集的问题，尤其是动态分析，RDBMS是用于与点查询和更新；二者另一个区别是他们操作的数据集的结构化程度。

 问题1-3：数据集有几种结构化程度？
（1）结构化数据：具有既定格式的实体化数据，如XML文档。
（2）半结构化数据：比较松散，容易被忽略，只能用在对数据结构的一般指导，如一张电子表格
（3）非结构化数据：没有特别内部结构，如纯文本或属相数据。

MapReduce对非结构化数据和半结构化数据非常有效，因为在处理数据时才对数据进行解释，即MapReduce输入的键和值并不是数据固有属相，而是由分析人员选择的。关系型数据往往是规范的，规范化不适应MapReduce，因为它使记录读取成为本地操作，而MapReduce是进行高速的流读写操作。Web服务器日志是典型的非规范化数据记录，因此MapReduce非常适用分析各种日志文件。

MapReduce是一种线性的可伸缩模型，其中包括map函数和reduce函数，每个函数定义一个键值对集合到另一个键值对集合的映射。

1.3.2 网格计算

高性能计算和网格计算，主要使用类似于消息传递接口的API（MAPI）。高性能计算是将将作业分散到集群的各台机器上，适用于计算密集型作业，如果节点需要访问的数据更庞大，很多计算机节点就会被网络带宽所影响。

MapReduce在计算节点上存储数据，以实现数据本地的快速访问。数据本地化是MapReduce的核心特征。另外，MapReduce通过显示网络拓扑结构来保留网络带宽（网络带宽是数据中心最珍贵的资源），但这种排列方式并没有降低MapReduce对计算密集型数据进行分析的能力。

MapReduce 的无共享框架使系统能够检测到并重新执行那些失败的map或reduce任务（各任务是彼此独立的），因此不必担心系统部分失效问题。

 问题1-4：MapReduce任务彼此独立性的理解？ MapReduce系统控制着mapper输出结果传给reducer的过程。这种情况下，重新运行reducer比重新运行mapper要小心，因为reducer运行需要获取必要的mapper，如果没有，必须再次运行对应的mapper，重新生成输出结果。

MapReduce的严格编程模型：限定用户使用有特定关联的键值对，mapper和reducer彼此间的协调非常有限（每个mapper将键值对传给reducer）。

 问题1-5：MapReduce的应用场景？
（1）由谷歌开发，用于构建搜索引擎的索引（函数式编程、分布式计算和数据库）
（2）图像图形分析的问题
（3）机器学习算法

1.3.3 志愿计算

MapReduce三大设计目标：
（1）为只需几分钟或几小时就可以完成的作业提供服务；
（2）运行与同一个内部有高数网络连接的数据中心内；
（3）数据中心内的计算机都是可靠的、定制的硬件。

1.4 Hadoop发展简史

Hadoop是Apache Lucene创始人创建，Lucene是一个文本搜索系统库。Hadoop起源于网络搜索引擎Apache Nutch（Lucene一部分）。2008年以后，Hadoop称为最快的TB级数据排序系统。

1.5 Apache Hadoop和Hadoop生态系统

项目名称	内容
Common	一系列组件和接口，用于分布式文件系统和通用I/O（序列化、JavaRPC和持久化数据结构）
Avro	一种序列化系统，用于支持高效、跨语言的RPC和持久化数据存储
MapReduce	分布式数据处理模型和执行环境，运行于大型商用机集群
HDFS	分布式文件系统，运行与大型商用机集群
Pig	数据流语言和运行环境，用以探究非常庞大的数据集。Pig运行在MapReduce和HDFS集群上
Hive	一种分布式的、按列存储的数据仓库。Hive管理HDFS中存储的数据，并提供基于SQL的查询语言（由运行时引擎翻译成MapReduce作业）用以查询数据
HBase	一种分布式的、按列存储的数据库。HBase使用HDFS作为底层存储，同时支持MapReduce的批量式计算和点查询（随机读取）
ZooKeeper	一种分布式的、可用性高的协调服务。ZooKeeper提供分布式锁之类的基本服务用于构建分布式应用
Sqoop	该工具用于结构化数据存储（如关系型数据库）和HDFS之间高效批量传输数据
Oozie	该服务用于运行和调度Hadoop作业（如：MapReduce，pig，Hive及Sqoop作业）

表1-2 Hadoop生态系统项目