五分钟搞懂Hadoop

转载自知乎专栏的文章，原文章链接https://zhuanlan.zhihu.com/p/20176725

括号中被高亮标识出来的是我批注的内容

「大数据」，想必大家经常听到这个被炒得很热的话题。随之而来的是各种看似高大上的专业术语，比如「扩展性」、「可靠性」、「容错性」，好像真的很高深，要积累多年经验才能学习。

但另一方面，很多同学都刚刚进入互联网这个行业，对分布式计算还没有很多了解，那是不是就要花很多力气才能搞懂「大数据」呢？不必担心，包子老师在这里用浅显易懂深入浅出的语言，帮助没有基础的同学快速的入手「大数据」，让每位同学都能迅速学会最前沿的技术。今天，我们先学习当前使用最广泛的大数据处理框架 Hadoop.

Hadoop，你是怎么来的？

今天的社会产生越来越多的数据，比如：你登录Facebook以后点击了哪些好友，你在Amazon上浏览了哪些产品，你在linkedin上浏览了哪些公司，甚至到从石油矿井里的钻头收集了哪些地质信息。

我们还发现，通过分析这些数据总结规律，我们可以让Facebook和Amazon显示让用户更感兴趣的广告，公司HR会更准确找到合适的求职者，石油公司也能用更低的成本开采更多的石油。

那找个软工写算法不就行了吗？

确实，这些决策都是通过算法找到规律的。可问题是现在的数据量太大了，一台机器要完成一个问题要算好久好久。

那用多台机器处理不就行了吗？

确实，Hadoop以及其他任何大数据框架都是多台机器共同处理的。可问题是，这些算法都要完成一个特定的问题，给出一个答案，多台机器不能自己算自己的，他们要有不同的分工，联合起来共同算完这个问题。这里就是Hadoop等框架的特长。

我们举个例子吧：

Google是大家常用的搜索引擎，作为业务的重要特征，它自然想知道大家对哪些关键字感兴趣，比如以天为单位，收集所有人搜过的关键字，统计其出现的次数。

这听起来像个哈希表就能干的问题对吧？可是，每天那么多人使用Google，它不可能把这些关键字都放在内存里，而且Google也是用很多服务器为大家完成搜索的，所以一天里所有搜过的关键字，都以文件的形式存在多台机器上。我们就叫这些机器1, 2, 3......n.

比如在机器1上存储了一个文件，内容是所有搜过的关键字：Deer, Bear, River …...

图1

既然Log文件存放在多台机器中，那如何计算关键字出现的总次数呢?

一种直观的算法，就是先让每台机器统计本机上每个关键字的搜索次数，写段算法统计一个文件里的关键字很简单。比如机器1的处理结果为：

• Deer 150000

• River 110000

• Car 100000

• …

(参见图1的mapping)

注意到这里，每台机器知道的是本机上关键字的搜索次数，而我们关心的是所有机器上的关键字的搜索总次数。

那下一步再找一组机器，不妨称其为：A, B, C, D......

每台机器只统计一部分关键字出现在所有机器上的总次数，比如：

• 让机器A统计 在机器1, 2, 3.......n上“Bear”出现的总次数;

• 让机器B统计，在机器1, 2, 3.......n上“Car”出现的总次数;

• 让机器C统计，在机器1, 2, 3.......n上“Deer”出现的总次数;

• 让机器D统计，在机器1, 2, 3......n上“River”出现的总次数;

  
  

(参见图1的reducing)

这样，当A, B, C, D......完成自己的任务以后，我们就知道每个关键字在过去一天出现的次数了。

所以每台机器不但要计算自己的任务，还要和其他机器「合作」，在我们刚才的例子里就是机器A, B, C, D......要从机器1, 2, 3, 4......那里知道关键字的出现次数，而且，A, B, C, D.....还要沟通好，分别统计不同的关键字，即不能两台机器都统计同一个关键字，也不能有的关键字没有机器统计。

好吧，大数据计算真复杂，那我们什么时候说说Hadoop？

其实，如果你明白了刚才的例子，你就明白Hadoop了！

啊？真的么？

是的，我们刚才计算搜索引擎关键字出现次数的例子，就是一个使用Hadoop的经典案例。像我们刚才说的，大数据计算非常复杂，各个机器之间要协调工作。但是，当总结常用的大数据算法后，我们发现他们有一定的共同点（稍后介绍），很多算法都要做一些类似的工作。既然有共同点，我们就没有必要重造轮子。这些类似的工作可以做成Framework，以后再开发类似大数据分析软件可以重用这些Framework的功能。Hadoop就是这样一个Framework，它来源于Google一篇关于MapReduce的Paper.（hadoop其实真正为我们封装的是shuffle阶段，即map阶段的输出，同一个关键字要映射到同一个节点，用的是哈希算法）

那Hadoop总结了算法的哪些共同点呢？

那篇MapReduce Paper的作者发现，很多计算，就比如我们刚才的例子，都可以拆分成Map, Shuffle, Reduce三个阶段:

• Map阶段中，每台机器先处理本机上的数据，像图1中各个机器计算本机的文件中关键字的个数。

• 各个机器处理完自己的数据后，我们再把他们的结果汇总，这就是Shuffle阶段，像刚才的例子，机器A, B, C, D......从1-n所有机器上取出Map的结果，并按关键字组合。

• 最后，进行最后一步处理，这就是Reduce，我们刚才的例子中就是对每一个搜索关键字统计出现总次数。

这几步我们就称为MapReduce Model.

图2

为了完成MapReduce Model的计算，实际开发的软件需要一些辅助的功能。想像一下，起始时的一组机器上面存储了要处理的数据，但是Map, Shuffle, Reduce阶段的Function在哪儿呢？所以我们需要把Mapper Function, Reducer Function (Java code或者其他语言的code) 安装在机器 1-n 和A-Z上，并且执行。而且在Map阶段以后，计算结果保存在本机上，没办法Shuffle到Reduce的机器上。所以，也需要有软件按照Shuffle算法，把Mapper Function的结果搬运到Reduce阶段的机器上。（这里的shuffle并不是简单的乱序，而是把多个机器上的同一个key汇总到同一台节点）

运行整个Hadoop Job的流程中，很多工作对于所有算法都是需要的，不同的算法只是Mapper Function和Reducer Function. 换句话说，Hadoop实现了通用的功能，开发人员只需要告诉Hadoop需要执行的Mapper, Reducer Function，就可以完成想要的计算，而不需要开发所有步骤。（这个通用的功能就是shuffle函数，通过哈希函数将多台机器上的同一个key汇总到同一台机器，正是在这个地方涉及到多个节点的通信）

恭喜你，看到这里，你已经掌握了Hadoop的精髓。在这个系列之后的文章中，我们还会向大家介绍，Hadoop更多隐含的、但必不可少的功能，以及更多的重要的大数据Framework，比如HDFS，Hbase，Spark等。希望大家持续关注我们，我们会让大家用最少的时间，掌握最前沿的技术！