在學(xué)習Hadoop的過程中，你可能會遇到用Hadoop進行分布式并行編程的問題，本節(jié)就向大家介紹一下用Hadoop進行分布式并行編程的方法，希望通過本節(jié)的介紹大家能夠?qū)adoop有新的認識。

用Hadoop進行分布式并行編程

Hadoop簡介

Hadoop是一個開源的可運行于大規(guī)模集群上的分布式并行編程框架，由于分布式存儲對于分布式編程來說是必不可少的，這個框架中還包含了一個分布式文件系統(tǒng)HDFS(HadoopDistributedFileSystem)。

也許到目前為止，Hadoop還不是那么廣為人知，其***的版本號也僅僅是0.16，距離1.0似乎都還有很長的一段距離，但提及Hadoop一脈相承的另外兩個開源項目Nutch和Lucene(三者的創(chuàng)始人都是DougCutting),那絕對是大名鼎鼎。Lucene是一個用Java開發(fā)的開源高性能全文檢索工具包，它不是一個完整的應(yīng)用程序，而是一套簡單易用的API。在全世界范圍內(nèi)，已有無數(shù)的軟件系統(tǒng)，Web網(wǎng)站基于Lucene實現(xiàn)了全文檢索功能，后來DougCutting又開創(chuàng)了***個開源的Web搜索引擎(http://www.nutch.org)Nutch,它在Lucene的基礎(chǔ)上增加了網(wǎng)絡(luò)爬蟲和一些和Web相關(guān)的功能，一些解析各類文檔格式的插件等，此外，Nutch中還包含了一個分布式文件系統(tǒng)用于存儲數(shù)據(jù)。從Nutch0.8.0版本之后，DougCutting把Nutch中的分布式文件系統(tǒng)以及實現(xiàn)MapReduce算法的代碼獨立出來形成了一個新的開源項Hadoop。Nutch也演化為基于Lucene全文檢索以及Hadoop分布式計算平臺的一個開源搜索引擎。

基于Hadoop,你可以輕松地編寫可處理海量數(shù)據(jù)的分布式并行程序，并將其運行于由成百上千個結(jié)點組成的大規(guī)模計算機集群上。從目前的情況來看，Hadoop注定會有一個輝煌的未來："云計算"是目前灸手可熱的技術(shù)名詞，全球各大IT公司都在投資和推廣這種新一代的計算模式，而Hadoop又被其中幾家主要的公司用作其"云計算"環(huán)境中的重要基礎(chǔ)軟件，如:雅虎正在借助Hadoop開源平臺的力量對抗Google,除了資助Hadoop開發(fā)團隊外，還在開發(fā)基于Hadoop的開源項目Pig,這是一個專注于海量數(shù)據(jù)集分析的分布式計算程序。Amazon公司基于Hadoop推出了AmazonS3(AmazonSimpleStorageService)，提供可靠，快速，可擴展的網(wǎng)絡(luò)存儲服務(wù)，以及一個商用的云計算平臺AmazonEC2(AmazonElasticComputeCloud)。在IBM公司的云計算項目--"藍云計劃"中，Hadoop也是其中重要的基礎(chǔ)軟件。Google正在跟IBM合作，共同推廣基于Hadoop的云計算。

迎接編程方式的變革

在摩爾定律的作用下，以前程序員根本不用考慮計算機的性能會跟不上軟件的發(fā)展，因為約每隔18個月，CPU的主頻就會增加一倍，性能也將提升一倍，軟件根本不用做任何改變，就可以享受免費的性能提升。然而，由于晶體管電路已經(jīng)逐漸接近其物理上的性能極限，摩爾定律在2005年左右開始失效了，人類再也不能期待單個CPU的速度每隔18個月就翻一倍，為我們提供越來越快的計算性能。Intel,AMD,IBM等芯片廠商開始從多核這個角度來挖掘CPU的性能潛力，多核時代以及互聯(lián)網(wǎng)時代的到來，將使軟件編程方式發(fā)生重大變革，基于多核的多線程并發(fā)編程以及基于大規(guī)模計算機集群的分布式并行編程是將來軟件性能提升的主要途徑。

許多人認為這種編程方式的重大變化將帶來一次軟件的并發(fā)危機，因為我們傳統(tǒng)的軟件方式基本上是單指令單數(shù)據(jù)流的順序執(zhí)行，這種順序執(zhí)行十分符合人類的思考習慣，卻與并發(fā)并行編程格格不入?；诩旱姆植际讲⑿芯幊棠軌蜃屲浖c數(shù)據(jù)同時運行在連成一個網(wǎng)絡(luò)的許多臺計算機上,這里的每一臺計算機均可以是一臺普通的PC機。這樣的分布式并行環(huán)境的***優(yōu)點是可以很容易的通過增加計算機來擴充新的計算結(jié)點，并由此獲得不可思議的海量計算能力,同時又具有相當強的容錯能力，一批計算結(jié)點失效也不會影響計算的正常進行以及結(jié)果的正確性。Google就是這么做的，他們使用了叫做MapReduce的并行編程模型進行分布式并行編程，運行在叫做GFS(GoogleFileSystem)的分布式文件系統(tǒng)上，為全球億萬用戶提供搜索服務(wù)。

Hadoop實現(xiàn)了Google的MapReduce編程模型，提供了簡單易用的編程接口，也提供了它自己的分布式文件系統(tǒng)HDFS,與Google不同的是，Hadoop是開源的，任何人都可以使用這個框架來進行并行編程。如果說分布式并行編程的難度足以讓普通程序員望而生畏的話，開源的Hadoop的出現(xiàn)極大的降低了它的門檻，讀完本文，你會發(fā)現(xiàn)基于Hadoop編程非常簡單，無須任何并行開發(fā)經(jīng)驗，你也可以輕松的開發(fā)出分布式的并行程序，并讓其令人難以置信地同時運行在數(shù)百臺機器上，然后在短時間內(nèi)完成海量數(shù)據(jù)的計算。你可能會覺得你不可能會擁有數(shù)百臺機器來運行你的并行程序，而事實上，隨著"云計算"的普及，任何人都可以輕松獲得這樣的海量計算能力。例如現(xiàn)在Amazon公司的云計算平臺AmazonEC2已經(jīng)提供了這種按需計算的租用服務(wù)，有興趣的讀者可以去了解一下，這篇系列文章的第三部分將有所介紹。

掌握一點分布式并行編程的知識對將來的程序員是必不可少的，Hadoop是如此的簡便好用，何不嘗試一下呢？也許你已經(jīng)急不可耐的想試一下基于Hadoop的編程是怎么回事了，但畢竟這種編程模型與傳統(tǒng)的順序程序大不相同，掌握一點基礎(chǔ)知識才能更好地理解基于Hadoop的分布式并行程序是如何編寫和運行的。因此本文會先介紹一下MapReduce的計算模型，Hadoop中的分布式文件系統(tǒng)HDFS,Hadoop是如何實現(xiàn)并行計算的，然后才介紹如何安裝和部署Hadoop框架，以及如何運行Hadoop程序。
 

【編輯推薦】

1. 實例講解Hadoop用法
2. 專家指導(dǎo) 如何進行Hadoop分布式集群配置
3. Hadoop集群與Hadoop性能優(yōu)化
4. HadoopHBase實現(xiàn)配置簡單的單機環(huán)境
5. 深入剖析Hadoop HBase