- 编写可扩展、分布式的数据密集型程序和基础知识
- 理解Hadoop和MapReduce
- 编写和运行一个基本的MapReduce程序
1、什么是Hadoop
Hadoop是一个开源的框架，可编写和运行分布式应用处理大规模数据。
Hadoop与众不同之处在于以下几点：
- 方便——Hadoop运行在由一般商用机器构成的大型集群上，或者云计算服务之上；
- 健壮——Hadoop致力于在一般商用硬件上运行，其架构假设硬件会频繁地出现失效；
- 可扩展——Hadoop通过增加集群节点，可以线性地扩展以处理更大的数据集；
- 简单——Hadoop运行用户快速编写出高效的并行代码。
2、了解分布式系统和Hadoop
理解分布式系统（向外扩展）和大型单机服务器（向上扩展）之间的对比，考虑现有I/O技术的性价比。
理解Hadoop和其他分布式架构（[email protected]）的区别：
Hadoop设计理念是代码向数据迁移，而[email protected]设计理念是数据迁移。
要运行的程序在规模上比数据小几个数量级，更容易移动；此外，在网络上移动数据要比在其上加载代码更花时间，不如让数据不动而将可执行代码移动到数据所在机器上去。
3、比较SQL数据库和Hadoop
SQL（结构化查询语言）是针对结构化数据设计的，而Hadoop最初的许多应用针对的是文本这种非结构化数据。让我们从特定的视角将Hadoop与典型SQL数据库做更详细的比较：
- 用向外扩展代替向上扩展——扩展商用关系型数据库的代价会更加昂贵的
- 用键／值对代替关系表——Hadoop使用键／值对作为基本数据单元，可足够灵活地处理较少结构化的数据类型
- 用函数式编程（MapReduce）代替声明式查询（SQL）——在MapReduce中，实际的数据处理步骤是由你指定的，很类似于SQL引擎的一个执行计划
- 用离线处理代替在线处理——Hadoop是专为离线处理和大规模数据分析而设计的，并不适合那种对几个记录随机读写的在线事务处理模式
4、理解MapReduce
MapReduce是一种数据处理模型，最大的优点是容易扩展到多个计算节点上处理数据；
在MapReduce模型中，数据处理原语被称为mapper和reducer；
分解一个数据处理应用为mapper和reducer有时是繁琐的，但是一旦一MapReduce的形式写好了一个应用程序，仅需修改配置就可以将它扩展到集群中几百、几千，甚至几万台机器上运行。
［动手扩展一个简单程序］
少量文档处理方式：对于每个文档，使用分词过程逐个提取单词；对于每个单词，在多重集合wordcount中的相应项上加1；最后display()函数打印出wordcount中的所有条目。
大量文档处理方式：将工作分布到多台机器上，每台机器处理这些文档的不同部分，当所有机器都完成时，第二个处理阶段将合并这些结果。
一些细节可能会妨碍程序按预期工作，如文档读取过量导致中央存储服务器的带宽性能跟不上、多重集合wordcount条目过多超过计算机的内存容量。此外，第二阶段只有一个计算机处理wordcount任务，容易出现瓶颈，所以可以采用分布的方式运转，以某种方式将其分割到多台计算机上，使之能够独立运行，即需要在第一阶段后将wordcount分区，使得第二阶段的每台计算机仅需处理一个分区。
为了使它工作在一个分布式计算机集群上，需要添加以下功能：
- 存储文件到许多计算机上（第一阶段）
- 编写一个基于磁盘的散列表，使得处理不受内存容量限制
- 划分来自第一阶段的中间数据（即wordcount）
- 洗牌这些分区到第二阶段中合适的计算机上
MapReduce程序执行分为两个主要阶段，为mapping和reducing，每个阶段均定义为一个数据处理函数，分别称为mapper和reducer。在mapping阶段，MapReduce获取输入数据并将数据单元装入mapper；在reduce阶段，reducer处理来自mapper的所有输出，并给出最终结果。简而言之，mapper意味着将输入进行过滤与转换，使reducer可以完成聚合。
另外，为了扩展分布式的单词统计程序，不得不编写了partitioning和shuffling函数。
在MapReduce框架中编写应用程序就是定制化mapper和reducer的过程，以下是完整的数据流：
- 应用的输入必须组织为一个键／值对的列表list(<k1,v1>)；
- 含有键／值对的列表被拆分，进而通过调用mapper的map函数对每个单独的键／值对<k1,v1>进行处理；
- 所有mapper的输出被聚合到一个包含<k2,v2>对的巨大列表中；
- 每个reducer分别处理每个被聚合起来的<k2,list(v2)>，并输出<k3,v3>。
5、用Hadoop统计单词——运行第一个程序
- Linux操作系统
- JDK1.6以上运行环境
- Hadoop操作环境
Usage：hadoop [—config configdir] COMMAND
这里COMMAND为下列其中一个：
namenode -format 格式化DFS文件系统
secondarynamenode 运行DFS的第二个namenode
namenode 运行DFS的namenode
datanode 运行一个DFS的datanode
dfsadmin 运行一个DFS的admin客户端
fsck 运行一个DFS文件系统的检查工具
fs 运行一个普通的文件系统用户客户端
balancer 运行一个集群负载均衡工具
jobtracker 运行MapReduce的jobtracker节点
pipes 运行一个pipes作业
tasktracker 运行一个MapReduce的tasktracker节点
job 处理MapReduce作业
version 打印版本
jar <jar> 运行一个jar文件
distcp <srcurl> <desturl> 递归地复制文件或者目录
archive -archiveName NAME <src>* <dest> 生成一个Hadoop档案
daemonlog 获取或设置每个daemon的log级别
CLASSNAME 运行名为CLASSNAME的类大多数命令会在使用w/o参数
时打出帮助信息。
运行单词统计示例程序的命令形式如下：
hadoop jar hadoop-*-examples.jar wordcount [-m <maps>] [-r reduces] input output
编译修改后的单词统计程序的命令形式如下：
javac -classpath hadoop-*-core.jar -d playground/classes playground/src/WordCount.java
jar -cvf playground/src/wordcount.jar -C playground/classes/
运行修改后的单词统计程序的命令形式如下：
hadoop jar playground/wordcount.jar org.apache.hadoop.examples.WordCount input output
代码清单 WordCount.java
package org.apache.hadoop.examples;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class WordCount {
public static class TokenizerMapper
extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(Object key, Text value, Context context
) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString()); //（1）使用空格进行分词
while (itr.hasMoreTokens()) {
word.set(itr.nextToken()); //（2）把Token放入Text对象中
context.write(word, one);
}
}
}
public static class IntSumReducer
extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values,
Context context
) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result); //（3）输出每个Token的统计结果
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length < 2) {
System.err.println("Usage: wordcount <in> [<in>...] <out>");
System.exit(2);
}
Job job = new Job(conf, "word count");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
for (int i = 0; i < otherArgs.length - 1; ++i) {
FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
}
FileOutputFormat.setOutputPath(job,
new Path(otherArgs[otherArgs.length - 1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
在（1）的位置上wordcount以默认配置使用了Java的StringTokenizer，这里仅基于空格来分词。为了在分词过程中忽略标准的标点符号，将它们加入到stringTokenizer的定界符列表中：
StringTokenizer itr ＝ new StringTokenizer(value.toString(),” \t\n\r\f,.:;?![]’");
因为希望单词统计忽略大小写，把它们转换为Text对象前先将所有的单词都变成小写：
word.set(itr.nextToken().toLowerCase());
希望仅仅显示出现次数大于4次的单词：
if (sum > 4) context.write(key, result);
6、hadoop历史
创始人：Doug Cutting
2004年左右——Google发表了两篇论文来论述Google文件系统（GFS）和MapReduce框架。
2006年1月——雅虎聘用Doug，让他和一个专项团队一起改进Hadoop，并将其作为一个开源项目。