大数据时代的宠儿——Hadoop简介和实践分享

这篇文章简单介绍了Hadoop相关的技术生态圈，同时共享一份前一阵编写的实践教程，需要者自取。

在云计算和大数据大行其道的今天，Hadoop及其相关技术起到了非常重要的作用，是这个时代不容忽视的一个技术平台。事实上，由于其开源、低成本和和前所未有的扩展性，Hadoop正成为新一代的数据处理平台。

Hadoop是基于Java语言构建的一套分布式数据处理框架，从其历史发展角度我们就可以看出，Hadoop一诞生，就具备高贵的血统，发展顺风顺水：

2004年，Google发表论文，向全世界介绍了MapReduce
2005年初，为了支持Nutch搜索引擎项目，Nutch的开发者基于Google发布的MapReduce报告，在Nutch上开发了一个可工作的MapReduce应用
2005年中，所有主要的Nutch算法被移植到MapReduce和NDFS(Nutch Distributed File System )环境来运行
2006年2月，Apache Hadoop项目正式启动以支持MapReduce和HDFS的独立发展
2007年，百度开始使用Hadoop做离线处理，目前差不多80%的Hadoop集群用作日志处理
2008年，淘宝开始投入研究基于Hadoop的系统--云梯，并将其用于处理电子商务相关数据。云梯1的总容量大概为9.3PB，包含了1100台机器，每天处理约18000道作业，扫描500TB数据
2008年1月，Hadoop成为Apache顶级项目
2008年7月，Hadoop打破1TB数据排序基准测试记录。Yahoo的一个Hadoop集群用209秒完成1TB数据的排序，比上一年的纪录保持者保持的297秒快了将近90秒
......

很多人开始接触Hadoop时，都以为这是一个项目，其实Hadoop除了核心的MapReduce和HDFS之外，还包含了众多的子项目，换句话说，Hadoop已经形成了一个丰富的技术生态圈：

为什么会有这样的技术诞生呢？
简而言之，随着互联网的飞速发展，大量数据的存储和分析遇到瓶颈，磁盘容量的增长远远大于磁盘读取速度，1TB的磁盘，数据传输速度100MB/s，读一遍2.5H，写数据就别提了，心拔凉拔凉的（当然SSD在生产环境的实际应用，大大缓解了这一窘境）。数据量的增长在互联网应用中体现的非常明显，好的互联网应用动辄就有上千万的用户，无论是数据的容量、压力都与日俱增。另外在企业应用层面，很多大中型企业，信息化进行了十几年，企业内部积累了大量的非结构化数据，各种类型的文件需要存储、备份、分析、展示，苦于没有很好的办法进行数据处理。

那么如何解决这样的问题，技术牛娃自然有办法，比如磁盘数据的并行读写，数据分块，分布式文件系统，冗余数据，MapReduce算法等等，最后Hadoop等类似的技术应运而生。于是我等草民有福了。
不是有那么一句话么，大数据胜于好算法，如果数据足够多，可能产生出意想之外的应用，看看现在Facebook、Twitter、微博相关的衍生应用就知道了。另外，无论算法好坏，更多的数据总能带了来更好的推荐效果，这也是显而易见。

所以，无论云计算和大数据口号喊的多么虚头八脑，但Hadoop都是一门非常务实的技术，无论你身在互联网企业还是传统软件公司，都应该学习和了解这门技术。

下面是我前一阵内部技术交流写的一份Hadoop简介和实践的教程类KeyNote，希望能有点帮助。

多说一句，Hadoop的部署提供三种模式，本地模式、伪分布模式和全分布模式，建议大家采用第三种进行实践，这样对系统用法的理解更深入一些。这就需要你至少要两台机器进行集群，比较好的方式是使用虚拟机。Hadoop原生支持Unix/Linux，你要是想在Windows上玩，还需要装模拟环境cygwin。这时候就体现出Mac用户的优势了，我是采用Mac做Master，起两台虚拟Linux做Slave，SSD+8G内存，毫无压力。这样做的好处其实在Unix编程思想这部书中也提到过，就是用最小工作环境达到最大的工作范围。

推荐阅读：《Hadoop The Definitive Guide 2nd Edition》

Hadoop-分布式数据平台

View more presentations from Jacky Chi