知識篇：新一代的資料處理平臺Hadoop簡介

在雲端計算和大資料大行其道的今天，Hadoop及其相關技術起到了非常重要的作用，是這個時代不容忽視的一個技術平臺。事實上，由於其開源、低成本和和前所未有的擴充套件性，Hadoop正成為新一代的資料處理平臺。

Hadoop是基於Java語言構建的一套分散式資料處理框架，從其歷史發展角度我們就可以看出，Hadoop一誕生，就具備高貴的血統，發展順風順水：

• 2004年，Google發表論文，向全世界介紹了MapReduce

• 2005年初，為了支援Nutch搜尋引擎專案，Nutch的開發者基於Google釋出的MapReduce報告，在Nutch上開發了一個可工作的MapReduce應用

• 2005年中，所有主要的Nutch演算法被移植到MapReduce和NDFS(NutchDistributedFileSystem)環境來執行

• 2006年2月，ApacheHadoop專案正式啟動以支援MapReduce和HDFS的獨立發展

• 2007年，百度開始使用Hadoop做離線處理，目前差不多80%的Hadoop叢集用作日誌處理

• 2008年，淘寶開始投入研究基於Hadoop的系統–雲梯，並將其用於處理電子商務相關資料。雲梯1的總容量大概為9.3PB，包含了1100臺機器，每天處理約18000道作業，掃描500TB資料

• 2008年1月，Hadoop成為Apache頂級專案

• 2008年7月，Hadoop打破1TB資料排序基準測試記錄。Yahoo的一個Hadoop叢集用209秒完成1TB資料的排序，比上一年的紀錄保持者保持的297秒快了將近90秒

……

很多人開始接觸Hadoop時，都以為這是一個專案，其實Hadoop除了核心的MapReduce和HDFS之外，還包含了眾多的子專案，換句話說，Hadoop已經形成了一個豐富的技術生態圈：

隨著網際網路的飛速發展，大量資料的儲存和分析遇到瓶頸，磁碟容量的增長遠遠大於磁碟讀取速度，1TB的磁碟，資料傳輸速度100MB/s，讀一遍2.5H，寫資料就別提了，心拔涼拔涼的（當然SSD在生產環境的實際應用，大大緩解了這一窘境）。

資料量的增長在網際網路應用中體現的非常明顯，好的網際網路應用動輒就有上千萬的使用者，無論是資料的容量、壓力都與日俱增。

另外在企業應用層面，很多大中型企業，資訊化進行了十幾年，企業內部積累了大量的非結構化資料，各種型別的檔案需要儲存、備份、分析、展示，苦於沒有很好的辦法進行資料處理。

那麼如何解決這樣的問題，技術牛人自然有辦法，比如磁碟資料的並行讀寫，資料分塊，分散式檔案系統，冗餘資料，MapReduce演算法等等，最後Hadoop等類似的技術應運而生。於是我等草民有福了。

不是有那麼一句話麼，大資料勝於好演算法，如果資料足夠多，可能產生出意想之外的應用，看看現在Facebook、Twitter、微博相關的衍生應用就知道了。另外，無論演算法好壞，更多的資料總能帶了來更好的推薦效果，這也是顯而易見。

所以，無論雲端計算和大資料口號喊的多麼虛頭八腦，但Hadoop都是一門非常務實的技術，無論你身在網際網路企業還是傳統軟體公司，都應該學習和了解這門技術。

Hadoop的部署提供三種模式，本地模式、偽分佈模式和全分佈模式，建議大家採用第三種進行實踐，這樣對系統用法的理解更深入一些。

這就需要你至少要兩臺機器進行叢集，比較好的方式是使用虛擬機器。Hadoop原生支援Unix/Linux，你要是想在Windows上玩，還需要裝模擬環境cygwin。

這時候就體現出Mac使用者的優勢了，我是採用Mac做Master，起兩臺虛擬Linux做Slave，SSD+8G記憶體，毫無壓力。這樣做的好處其實在Unix程式設計思想這部書中也提到過，就是用最小工作環境達到最大的工作範圍。