數(shù)據(jù)產(chǎn)品經(jīng)理的工作描述中，“了解hadoop”是一個高頻出現(xiàn)的內(nèi)容。大多數(shù)產(chǎn)品經(jīng)理并沒有直接與hadoop打交道的經(jīng)驗，本文希望能夠幫助大家對Hadoop有一個基礎(chǔ)的理解。

一、是什么

Hadoop是一個由Apache基金會所開發(fā)的分布式系統(tǒng)基礎(chǔ)架構(gòu)，它封裝了復(fù)雜的分布式底層細節(jié)，使開發(fā)人員能夠低門檻地開發(fā)分布式程序，充分利用集群的威力進行高速運算和存儲。

Hadoop是一個針對于大數(shù)據(jù)的存取、計算、加工、分析，由多個工具構(gòu)成的解決方案。

二、為了解決什么問題

任何新技術(shù)的提出，都是為了解決問題。那么，Hadoop是在什么樣的情況下應(yīng)運而生的，它又解決了什么問題呢？

隨著互聯(lián)網(wǎng)數(shù)據(jù)量增多，數(shù)據(jù)產(chǎn)生速度增快，數(shù)據(jù)類型多樣性提高，之前的集中式的數(shù)據(jù)處理系統(tǒng)顯露出了很多問題。

• 原有系統(tǒng)存儲容量有限，無法承載每日TB甚至PB級的數(shù)據(jù)量。
• 原有系統(tǒng)適合處理簡單數(shù)據(jù)，對于音視頻、圖片等多種類型的文件支持一般。
• 原有系統(tǒng)應(yīng)對故障的能力弱。
• 原有系統(tǒng)對機器要求高，構(gòu)建成本高。

Hadoop構(gòu)建了可以運行在多個廉價小型機的分布式系統(tǒng)架構(gòu)，以低成本的方案解決了上述問題，從而得到了行業(yè)中大量的應(yīng)用。

三、工作原理

1. 示意圖

Hadoop中的核心設(shè)計包括兩點：HDFS和MapReduce。

圖中白色塊屬于HDFS，黑色塊屬于MapReduce。

2. HDFS

HDFS（Hadoop Distributed File System）是一個高度容錯性的分布式文件系統(tǒng)，可以被廣泛的部署于廉價的PC上。它以流式訪問模式訪問應(yīng)用程序的數(shù)據(jù)，這大大提高了整個系統(tǒng)的數(shù)據(jù)吞吐量，因而非常適合用于具有超大數(shù)據(jù)集的應(yīng)用程序中。

一個典型的HDFS集群包含一個NameNode節(jié)點和多個DataNode節(jié)點，NameNode節(jié)點負責(zé)整個HDFS文件系統(tǒng)中的文件的元數(shù)據(jù)的保管和管理，集群中通常只有一臺機器上運行NameNode實例，DataNode節(jié)點保存文件中的數(shù)據(jù)，集群中的機器分別運行一個DataNode實例。

在HDFS中，NameNode節(jié)點被稱為名稱節(jié)點，DataNode節(jié)點被稱為數(shù)據(jù)節(jié)點。DataNode節(jié)點通過心跳機制與NameNode節(jié)點進行定時的通信。

NameNode ：

可以看作是分布式文件系統(tǒng)中的管理者，存儲文件系統(tǒng)的meta-data，主要負責(zé)管理文件系統(tǒng)的命名空間，集群配置信息，存儲塊的復(fù)制。

Secondary NameNode：

幫助 NameNode 收集文件系統(tǒng)運行的狀態(tài)信息 。

DataNode ：

是文件存儲的基本單元，它存儲文件塊在本地文件系統(tǒng)中，保存了文件塊的meta-data，同時周期性的發(fā)送所有存在的文件塊的報告給NameNode。

3. MapReduce

MapReduce是一種編程模型，用于大規(guī)模數(shù)據(jù)集的并行運算。Map（映射）和Reduce（化簡），采用分而治之思想，先把任務(wù)分發(fā)到集群多個節(jié)點上，并行計算，然后再把計算結(jié)果合并，從而得到最終計算結(jié)果。

舉個通俗的例子：

我們要數(shù)圖書館中的所有書，你數(shù)1號書架，我數(shù)2號書架，這就是“Map”。我們?nèi)嗽蕉?，?shù)書就更快。

現(xiàn)在我們到一起，把所有人的統(tǒng)計數(shù)加在一起，這就是“Reduce”。

用戶提交任務(wù)給JobTracer，JobTracer把對應(yīng)的用戶程序中的Map操作和Reduce操作映射至TaskTracer節(jié)點中；輸入模塊負責(zé)把輸入數(shù)據(jù)分成小數(shù)據(jù)塊，然后把它們傳給Map節(jié)點；Map節(jié)點得到每一個key/value對，處理后產(chǎn)生一個或多個key/value對，然后寫入文件；Reduce節(jié)點獲取臨時文件中的數(shù)據(jù)，對帶有相同key的數(shù)據(jù)進行迭代計算，然后把終結(jié)果寫入文件。

JobTracker：

當(dāng)有任務(wù)提交到 Hadoop 集群的時候負責(zé) Job 的運行,負責(zé)調(diào)度多個 TaskTracker 。

TaskTracker：

負責(zé)某一個 map 或者 reduce 任務(wù) 。

四、優(yōu)缺點

1. 優(yōu)勢

1. 大數(shù)據(jù)文件，非常適合上T級別的大文件或者一堆大數(shù)據(jù)文件的存儲，如果文件只有幾個G甚至更小就沒啥意思了。
2. 文件分塊存儲，HDFS會將一個完整的大文件平均分塊存儲到不同計算器上，它的意義在于讀取文件時可以同時從多個主機取不同區(qū)塊的文件，多主機讀取比單主機讀取效率要高得多。
3. 流式數(shù)據(jù)訪問，一次寫入多次讀寫，這種模式跟傳統(tǒng)文件不同，它不支持動態(tài)改變文件內(nèi)容，而是要求讓文件一次寫入就不做變化，要變化也只能在文件末添加內(nèi)容。
4. 廉價硬件，HDFS可以應(yīng)用在普通PC機上，這種機制能夠讓給一些公司用幾十臺廉價的計算機，就可以撐起一個大數(shù)據(jù)集群。
5. 硬件故障，HDFS認為所有計算機都可能會出問題，為了防止某個主機失效讀取不到該主機的塊文件，它將同一個文件塊副本分配到其它某幾個主機上，如果其中一臺主機失效，可以迅速找另一塊副本取文件。

2. 缺陷

HDFS不適合用在：要求低時間延遲數(shù)據(jù)訪問的應(yīng)用，存儲大量的小文件，多用戶寫入，任意修改文件。

五、適用場景

搜索、日志處理、推薦系統(tǒng)、數(shù)據(jù)分析、視頻圖像分析、數(shù)據(jù)保存等。

六、生態(tài)

• 部署，配置和監(jiān)控：Ambari，Whirr
• 監(jiān)控管理工具：Hue, karmasphere, eclipse plugin, cacti, ganglia
• 數(shù)據(jù)序列化處理與任務(wù)調(diào)度：Avro, Zookeeper
• 數(shù)據(jù)收集：Fuse，Webdav，Chukwa，F(xiàn)lume， Scribe ， Nutch
• 數(shù)據(jù)存儲：HDFS
• 類SQL查詢數(shù)據(jù)倉庫：Hive
• 流式數(shù)據(jù)處理：Pig
• 并行計算框架：MapReduce， Tez
• 數(shù)據(jù)挖掘和機器學(xué)習(xí)：Mahout
• 列式存儲在線數(shù)據(jù)庫：HBase
• 元數(shù)據(jù)中心：HCatalog （可以和Pig，Hive ,MapReduce等結(jié)合使用）
• 工作流控制：Oozie，Cascading
• 數(shù)據(jù)導(dǎo)入導(dǎo)出到關(guān)系數(shù)據(jù)庫：Sqoop，F(xiàn)lume， Hiho
• 數(shù)據(jù)可視化：drilldown，Intellicus

本文由 @?流風(fēng) 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Pixabay，基于 CC0 協(xié)議