這篇文章簡單介紹了Hadoop相關(guān)的技術(shù)生態(tài)圈，同時(shí)共享一份前一陣編寫的實(shí)踐教程，需要者自取。
 
在云計(jì)算和大數(shù)據(jù)大行其道的今天，Hadoop及其相關(guān)技術(shù)起到了非常重要的作用，是這個(gè)時(shí)代不容忽視的一個(gè)技術(shù)平臺(tái)。事實(shí)上，由于其開源、低成本和和前所未有的擴(kuò)展性，Hadoop正成為新一代的數(shù)據(jù)處理平臺(tái)。
 
Hadoop是基于Java語言構(gòu)建的一套分布式數(shù)據(jù)處理框架，從其歷史發(fā)展角度我們就可以看出，Hadoop一誕生，就具備高貴的血統(tǒng)，發(fā)展順風(fēng)順?biāo)?/p>

• 2004年，Google發(fā)表論文，向全世界介紹了MapReduce
• 2005年初，為了支持Nutch搜索引擎項(xiàng)目，Nutch的開發(fā)者基于Google發(fā)布的MapReduce報(bào)告，在Nutch上開發(fā)了一個(gè)可工作的MapReduce應(yīng)用
• 2005年中，所有主要的Nutch算法被移植到MapReduce和NDFS(Nutch Distributed File System )環(huán)境來運(yùn)行
• 2006年2月，Apache Hadoop項(xiàng)目正式啟動(dòng)以支持MapReduce和HDFS的獨(dú)立發(fā)展
• 2007年，百度開始使用Hadoop做離線處理，目前差不多80%的Hadoop集群用作日志處理
• 2008年，淘寶開始投入研究基于Hadoop的系統(tǒng)–云梯，并將其用于處理電子商務(wù)相關(guān)數(shù)據(jù)。云梯1的總?cè)萘看蟾艦?.3PB，包含了1100臺(tái)機(jī)器，每天處理約18000道作業(yè)，掃描500TB數(shù)據(jù)
• 2008年1月，Hadoop成為Apache頂級項(xiàng)目
• 2008年7月，Hadoop打破1TB數(shù)據(jù)排序基準(zhǔn)測試記錄。Yahoo的一個(gè)Hadoop集群用209秒完成1TB數(shù)據(jù)的排序，比上一年的紀(jì)錄保持者保持的297秒快了將近90秒

……
 
很多人開始接觸Hadoop時(shí)，都以為這是一個(gè)項(xiàng)目，其實(shí)Hadoop除了核心的MapReduce和HDFS之外，還包含了眾多的子項(xiàng)目，換句話說，Hadoop已經(jīng)形成了一個(gè)豐富的技術(shù)生態(tài)圈：
 

 
為什么會(huì)有這樣的技術(shù)誕生呢？
 
簡而言之，隨著互聯(lián)網(wǎng)的飛速發(fā)展，大量數(shù)據(jù)的存儲(chǔ)和分析遇到瓶頸，磁盤容量的增長遠(yuǎn)遠(yuǎn)大于磁盤讀取速度，1TB的磁盤，數(shù)據(jù)傳輸速度100MB/s，讀一遍2.5H，寫數(shù)據(jù)就別提了，心拔涼拔涼的（當(dāng)然SSD在生產(chǎn)環(huán)境的實(shí)際應(yīng)用，大大緩解了這一窘境）。數(shù)據(jù)量的增長在互聯(lián)網(wǎng)應(yīng)用中體現(xiàn)的非常明顯，好的互聯(lián)網(wǎng)應(yīng)用動(dòng)輒就有上千萬的用戶，無論是數(shù)據(jù)的容量、壓力都與日俱增。另外在企業(yè)應(yīng)用層面，很多大中型企業(yè)，信息化進(jìn)行了十幾年，企業(yè)內(nèi)部積累了大量的非結(jié)構(gòu)化數(shù)據(jù)，各種類型的文件需要存儲(chǔ)、備份、分析、展示，苦于沒有很好的辦法進(jìn)行數(shù)據(jù)處理。
 
那么如何解決這樣的問題，技術(shù)牛娃自然有辦法，比如磁盤數(shù)據(jù)的并行讀寫，數(shù)據(jù)分塊，分布式文件系統(tǒng)，冗余數(shù)據(jù)，MapReduce算法等等，最后Hadoop等類似的技術(shù)應(yīng)運(yùn)而生。于是我等草民有福了。
不是有那么一句話么，大數(shù)據(jù)勝于好算法，如果數(shù)據(jù)足夠多，可能產(chǎn)生出意想之外的應(yīng)用，看看現(xiàn)在Facebook、Twitter、微博相關(guān)的衍生應(yīng)用就知道了。另外，無論算法好壞，更多的數(shù)據(jù)總能帶了來更好的推薦效果，這也是顯而易見。
 
所以，無論云計(jì)算和大數(shù)據(jù)口號喊的多么虛頭八腦，但Hadoop都是一門非常務(wù)實(shí)的技術(shù)，無論你身在互聯(lián)網(wǎng)企業(yè)還是傳統(tǒng)軟件公司，都應(yīng)該學(xué)習(xí)和了解這門技術(shù)。
 
下面是我前一陣內(nèi)部技術(shù)交流寫的一份Hadoop簡介和實(shí)踐的教程類KeyNote，希望能有點(diǎn)幫助。
 
多說一句，Hadoop的部署提供三種模式，本地模式、偽分布模式和全分布模式，建議大家采用第三種進(jìn)行實(shí)踐，這樣對系統(tǒng)用法的理解更深入一些。這就需要你至少要兩臺(tái)機(jī)器進(jìn)行集群，比較好的方式是使用虛擬機(jī)。Hadoop原生支持Unix/Linux，你要是想在Windows上玩，還需要裝模擬環(huán)境cygwin。這時(shí)候就體現(xiàn)出Mac用戶的優(yōu)勢了，我是采用Mac做Master，起兩臺(tái)虛擬Linux做Slave，SSD+8G內(nèi)存，毫無壓力。這樣做的好處其實(shí)在Unix編程思想這部書中也提到過，就是用最小工作環(huán)境達(dá)到最大的工作范圍。
 
作者：池建強(qiáng)