知識篇：新一代的數據處理平台Hadoop簡介

04-04

在雲計算和大數據大行其道的今天，Hadoop及其相關技術起到了非常重要的作用，是這個時代不容忽視的一個技術平台。事實上，由於其開源、低成本和和前所未有的擴展性，Hadoop正成為新一代的數據處理平台。

Hadoop是基於Java語言構建的一套分散式數據處理框架，從其歷史發展角度我們就可以看出，Hadoop一誕生，就具備高貴的血統，發展順風順水：

2004年，Google發表論文，向全世界介紹了MapReduce
2005年初，為了支持Nutch搜索引擎項目，Nutch的開發者基於Google發布的MapReduce報告，在Nutch上開發了一個可工作的MapReduce應用
2005年中，所有主要的Nutch演算法被移植到MapReduce和NDFS(NutchDistributedFileSystem)環境來運行
2006年2月，ApacheHadoop項目正式啟動以支持MapReduce和HDFS的獨立發展
2007年，百度開始使用Hadoop做離線處理，目前差不多80%的Hadoop集群用作日誌處理
2008年，淘寶開始投入研究基於Hadoop的系統–雲梯，並將其用於處理電子商務相關數據。雲梯1的總容量大概為9.3PB，包含了1100台機器，每天處理約18000道作業，掃描500TB數據
2008年1月，Hadoop成為Apache頂級項目
2008年7月，Hadoop打破1TB數據排序基準測試記錄。Yahoo的一個Hadoop集群用209秒完成1TB數據的排序，比上一年的紀錄保持者保持的297秒快了將近90秒

……

很多人開始接觸Hadoop時，都以為這是一個項目，其實Hadoop除了核心的MapReduce和HDFS之外，還包含了眾多的子項目，換句話說，Hadoop已經形成了一個豐富的技術生態圈：

隨著互聯網的飛速發展，大量數據的存儲和分析遇到瓶頸，磁碟容量的增長遠遠大於磁碟讀取速度，1TB的磁碟，數據傳輸速度100MB/s，讀一遍2.5H，寫數據就別提了，心拔涼拔涼的（當然SSD在生產環境的實際應用，大大緩解了這一窘境）。

數據量的增長在互聯網應用中體現的非常明顯，好的互聯網應用動輒就有上千萬的用戶，無論是數據的容量、壓力都與日俱增。

另外在企業應用層面，很多大中型企業，信息化進行了十幾年，企業內部積累了大量的非結構化數據，各種類型的文件需要存儲、備份、分析、展示，苦於沒有很好的辦法進行數據處理。

那麼如何解決這樣的問題，技術牛人自然有辦法，比如磁碟數據的並行讀寫，數據分塊，分散式文件系統，冗餘數據，MapReduce演算法等等，最後Hadoop等類似的技術應運而生。於是我等草民有福了。

不是有那麼一句話么，大數據勝於好演算法，如果數據足夠多，可能產生出意想之外的應用，看看現在Facebook、Twitter、微博相關的衍生應用就知道了。另外，無論演算法好壞，更多的數據總能帶了來更好的推薦效果，這也是顯而易見。

所以，無論雲計算和大數據口號喊的多麼虛頭八腦，但Hadoop都是一門非常務實的技術，無論你身在互聯網企業還是傳統軟體公司，都應該學習和了解這門技術。

Hadoop的部署提供三種模式，本地模式、偽分布模式和全分布模式，建議大家採用第三種進行實踐，這樣對系統用法的理解更深入一些。

這就需要你至少要兩台機器進行集群，比較好的方式是使用虛擬機。Hadoop原生支持Unix/Linux，你要是想在Windows上玩，還需要裝模擬環境cygwin。

這時候就體現出Mac用戶的優勢了，我是採用Mac做Master，起兩台虛擬Linux做Slave，SSD+8G內存，毫無壓力。這樣做的好處其實在Unix編程思想這部書中也提到過，就是用最小工作環境達到最大的工作範圍。