利用Hadoop搭建大型分布式應(yīng)用系統(tǒng)
在2010年Techonomy會(huì)議上參加討論時(shí)，谷歌CEO Eric Schmidt引用一個(gè)驚人的事實(shí)指出，我們現(xiàn)在每?jī)商靹?chuàng)造的信息和2003年以來(lái)整個(gè)歷史上所創(chuàng)建的信息一樣多。信息泛濫帶來(lái)了一系列的技術(shù)突破，這讓企業(yè)的數(shù)據(jù)存儲(chǔ)擴(kuò)展到數(shù)千億字節(jié)甚至是數(shù)拍字節(jié)。谷歌在此領(lǐng)域的貢獻(xiàn)是尤其值得注意，包括它在MapReduce上的工作，它是一種大型分布式數(shù)據(jù)處理的方法，谷歌采用此方法來(lái)記錄位于索引資源（映射這些數(shù)據(jù)）收藏里的關(guān)鍵字或短語(yǔ)，接著再把這些位置的記錄和清單返回給用戶（將映射數(shù)據(jù)減少到緊密相關(guān)的結(jié)果）。映射和減少操作可以涵蓋模式識(shí)別、圖解分析、風(fēng)險(xiǎn)管理和預(yù)測(cè)模式。
雖然谷歌的MapReduce安裝是專有的，還存在MapReduce概念的很多開(kāi)源安裝，包括Apache Hadoop。事實(shí)上，Hadoop已經(jīng)是分布式數(shù)據(jù)處理的實(shí)際解決方案了，數(shù)十個(gè)國(guó)際公司已經(jīng)從執(zhí)行和開(kāi)發(fā)兩個(gè)方面大力投資該項(xiàng)目。Adobe、Amazon、AOL、Baidu、EBay、Facebook、Hulu、IBM、Last.fm、LinkedIn、Ning、Twitter和Yahoo等已成為用戶，很多大學(xué)、醫(yī)院和研究中心也都成為用戶，采用并不受互聯(lián)網(wǎng)重要人物的限制。
Hadoop項(xiàng)目介紹
和Apache軟件基金會(huì)(ASF)的很多項(xiàng)目一樣，Hadoop是一個(gè)涵蓋性術(shù)語(yǔ)，它分配基金會(huì)的全部措施來(lái)產(chǎn)生“可信、可擴(kuò)展且分布式計(jì)算的開(kāi)源軟件”。現(xiàn)在的措施由四個(gè)子項(xiàng)目組成，包括：
- Hadoop Common：Hadoop Common形成Hadoop項(xiàng)目的核心，通過(guò)緊跟著的同胞項(xiàng)目提供所需的“管道裝置”。
- HDFS：Hadoop分布式文件系統(tǒng)(HDFS)是遍及計(jì)算集群負(fù)責(zé)復(fù)制和分配數(shù)據(jù)的存儲(chǔ)系統(tǒng)。
- MapReduce：MapReduce是開(kāi)發(fā)人員用來(lái)編寫(xiě)應(yīng)用的軟件架構(gòu)，這些應(yīng)用處理那些存儲(chǔ)在HDFS中的數(shù)據(jù)。
- ZooKeeper：ZooKeeper負(fù)責(zé)協(xié)調(diào)配置數(shù)據(jù)、進(jìn)程同步和其它所有被分配應(yīng)用有效運(yùn)作所需的網(wǎng)絡(luò)相關(guān)服務(wù)。因此，雖然你確實(shí)會(huì)以單一檔案文件的形式下載Hadoop，記住，你正在下載的實(shí)際上是四個(gè)子項(xiàng)目，它們齊心協(xié)力來(lái)實(shí)施映射和歸算處理。
用Hadoop做實(shí)驗(yàn)
盡管Hadoop試圖解決的問(wèn)題本質(zhì)復(fù)雜，從運(yùn)用這個(gè)項(xiàng)目開(kāi)始會(huì)非常容易。作為一個(gè)例子，我認(rèn)為用Hadoop來(lái)完成我“用PHP簡(jiǎn)化貝寶”一書(shū)中的詞頻率分析會(huì)很有趣。這個(gè)任務(wù)會(huì)仔細(xì)查看整本書(shū)（長(zhǎng)度大概在130頁(yè)左右），并且產(chǎn)生一個(gè)所有書(shū)中出現(xiàn)詞語(yǔ)的分組列表，連同其中每個(gè)詞出現(xiàn)在頻率。
安裝Hadoop之后，我用Calibre把我的書(shū)從PDF轉(zhuǎn)成文本文檔。Hadoop wiki還包含相似的指令，但由于比較近期的Hadoop配置過(guò)程改變，以前的資源包含略有更新的指令。
接下來(lái)我用下面的命令從臨時(shí)位置把這本書(shū)復(fù)制到Hadoop分布式文件系統(tǒng)：
| $ ./bin/hadoop dfs -copyFromLocal /tmp/easypaypalwithphp/ easypaypalwithphp |
你可以通過(guò)運(yùn)用以下命令確認(rèn)復(fù)制成功：
| $ ./bin/hadoop dfs -ls drwxr-xr-x - hadoop supergroup 0 2011-01-04 12:48 /user/hadoop/easypaypalwithphp |
緊接著，運(yùn)用和Hadoop一起打包的示例WordCount腳本來(lái)執(zhí)行詞頻率分析：
| $ ./bin/hadoop jar hadoop-mapred-examples-0.21.0.jar wordcount \ > easypaypalwithphp easypaypalwithphp-output ... 11/01/04 12:51:38 INFO mapreduce.Job: map 0% reduce 0% 11/01/04 12:51:48 INFO mapreduce.Job: map 100% reduce 0% 11/01/04 12:51:57 INFO mapreduce.Job: map 100% reduce 100% 11/01/04 12:51:59 INFO mapreduce.Job: Job complete: job_201101041237_0002 11/01/04 12:51:59 INFO mapreduce.Job: Counters: 33 FileInputFormatCounters BYTES_READ=274440 |
最后，你可以用以下命令查看輸出內(nèi)容：
| $ ./bin/hadoop dfs -cat easypaypalwithphp-output/part-r-00000 ... Next 21 Next, 8 No 5 NoAutoBill 1 Norwegian 1 Not 2 Notably, 2 Note 5 Notice 6 Notification 13 ... |
示例WordCount頻率分析腳本非常基本，對(duì)書(shū)中文本里的每一列分配同等的重量，包括代碼。但是為了解析例如DocBook格式的文件并忽略代碼而修改腳本則會(huì)是很煩瑣的事情。無(wú)論如何，考慮一下你想要?jiǎng)?chuàng)建谷歌全球書(shū)籍詞頻統(tǒng)計(jì)器一類服務(wù)的情況，它查看超過(guò)520萬(wàn)本書(shū)的關(guān)鍵詞語(yǔ)。
