导读：如今，一提到大数据技术，人们首先想到的是Hadoop，它俨然已成为大数据的代名词。然而，大数据技术在Hadoop出现之前很多年就出现了。但那时候，大数据只是谷歌、亚马逊等大公司才能开展起来的高端技术。正是Hadoop的出现，降低了分布式大数据的技术门槛，使得千千万万普通的公司也能开展大数据业务，进而促进大数据技术逐渐发展起来。
Hadoop是一个由Apache基金会开发的分布式系统基础架构。开发人员可以在不了解分布式底层细节的情况下开发分布式程序，充分利用集群的威力进行高速并行运算以及海量数据的分布式存储。Hadoop大数据技术架构如图1所示。
图1 Hadoop大数据技术架构
然而，Hadoop不是一个孤立的技术，而是一套完整的生态圈，如图2所示。在这个生态圈中，Hadoop最核心的组件就是分布式文件系统HDFS和分布式计算框架MapReduce。HDFS为海量的数据提供了存储，是整个大数据平台的基础，而MapReduce则为海量的数据提供了计算能力。在它们之上有各种大数据技术框架，包括数据仓库Hive、流式计算Storm、数据挖掘工具Mahout和分布式数据库HBase。此外，ZooKeeper为Hadoop集群提供了高可靠运行的框架，保证Hadoop集群在部分节点宕机的情况下依然可靠运行。Sqoop与Flume分别是结构化与非结构化数据采集工具，通过它们可以将海量数据抽取到Hadoop平台上，进行后续的大数据分析。
图2 Hadoop大数据生态圈
Cloudera与Hortonworks是大数据的集成工具，它们将大数据技术的各种组件集成在一起，简化安装、部署等工作，并提供统一的配置、管理、监控等功能。Oozie是一个业务编排工具，我们将复杂的大数据处理过程解耦成一个个小脚本，然后用Oozie组织在一起进行业务编排，定期执行与调度。
01分布式文件系统
过去，我们用诸如DOS、Windows、Linux、UNIX等许多系统来在计算机上存储并管理各种文件。与它们不同的是，分布式文件系统是将文件散列地存储在多个服务器上，从而可以并行处理海量数据。
Hadoop的分布式文件系统HDFS如图3所示，它首先将服务器集群分为名称节点（NameNode）与数据节点（DataNode）。名称节点是控制节点，当需要存储数据时，名称节点将很大的数据文件拆分成一个个大小为128MB的小文件，然后散列存储在其下的很多数据节点中。当Hadoop需要处理这个数据文件时，实际上就是将其分布到各个数据节点上进行并行处理，使性能得到大幅提升。
图3 分布式文件系统HDFS
同时，每个小文件在存储时，还会进行多节点复制（默认是3节点复制），一方面可以并行读取数据，另一方面可以保障数据的安全，即任何一个节点失效，数据都不会丢失。当一个节点宕机时，如果该节点的数据不足3份，就会立即发起数据复制，始终保持3节点的复制。正因为具有这样高可靠的文件存储，Hadoop的部署不需要备份，也不需要磁盘镜像，在Hadoop集群的各个节点中挂载大容量的磁盘并配置Raid0就可以了。
02分布式计算框架
Hadoop的另一个关键组件是分布式计算框架MapReduce，它将海量数据的处理分布到许多数据节点中并行进行，从而提高系统的运行效率。
MapReduce计算词频的处理过程如图4所示。在这个过程中，首先输入要处理的数据文件，经过Splitting将其拆分到各个节点中，并在这些节点的本地执行Mapping，将其制作成一个Map。不同的任务可以设计不同的Map。譬如，现在的任务是计算词频，因此该Map的key是不同的词，value是1。这样，在后续的处理过程中，将相同词的1加在一起就是该词的词频了。
图4 分布式计算框架MapReduce
Mapping操作执行完以后，就开始Shuffling操作。它是整个执行过程中效率最差的部分，需要在各个节点间交换数据，将同一个词的数据放到同一个节点上。如何有效地降低交换的数据量成为优化性能的关键。接着，在每个节点的本地执行Reducing操作，将同一个词的这些1加在一起，就得到了词频。最后，将分布在各个节点的结果集中到一起，就可以输出了。
整个计算有6个处理过程，那么为什么它的名字叫MapReduce呢？因为其他处理过程都被框架封装了，开发人员只需要编写Map和Reduce过程就能完成各种各样的数据处理。这样，技术门槛降低了，大数据技术得以流行起来。
03优缺点
与传统的数据库相比，MapReduce分布式计算虽然有无与伦比的性能优势，但并不适用于所有场景。MapReduce没有索引，它的每次计算都是“暴力全扫描”，即将整个文件的所有数据都扫描一遍。如果要分析的结果涉及该文件80%以上的数据，与关系型数据库相比，能获得非常优异的性能。如果只是为了查找该文件中的某几十条记录，那么它既耗费资源，性能也没有关系型数据库好。因此，MapReduce的分布式计算更适合在后台对批量数据进行离线计算，即一次性对海量数据进行分析、整理与运算。它并不适用于在前台面向终端用户的在线业务、事务处理与随机查询。
同时，MapReduce更适合对大数据文件的处理，而不适合对海量小文件的处理。因此，当要处理海量的用户文档、图片、数据文件时，应当将其整合成一个大文件（序列文件），然后交给MapReduce处理。唯有这样才能充分发挥MapReduce的性能。
– END –
SACC2021！中国系统架构师大会最全议题更新，诚邀您的参加！一文打尽，主流 NoSQL 及应用场景详解～Redis为什么变慢了？一文讲透如何排查Redis性能问题这 5 种常用运维监控工具都不会？还算什么运维人如何用敏捷搞垮一个团队？那些40岁的程序员都去哪了如何打造一个经常宕机的业务系统？放弃腾讯75W年薪，回老家当公务员，提离职被领导教育，网友：leader嫉妒了王垠：怎样尊重一个程序员？年薪30万 的程序员，都是这样谈薪资的…伟大&耀眼，C语言发展史的点点滴滴中国程序员VS美国程序员，这也太形象了吧…
