Hadoop 是Google MapReduce的一個(gè)Java實(shí)現(xiàn)。MapReduce是一種簡(jiǎn)化的分布式編程模式，讓程序自動(dòng)分布到一個(gè)由普通機(jī)器組成的超大集群上并發(fā)執(zhí)行。就如同java程序員可以不考慮內(nèi)存泄露一樣， MapReduce的run-time系統(tǒng)會(huì)解決輸入數(shù)據(jù)的分布細(xì)節(jié)，跨越機(jī)器集群的程序執(zhí)行調(diào)度，處理機(jī)器的失效，并且管理機(jī)器之間的通訊請(qǐng)求。這樣的模式允許程序員可以不需要有什么并發(fā)處理或者分布式系統(tǒng)的經(jīng)驗(yàn)，就可以處理超大的分布式系統(tǒng)得資源。

    一、概論

    作為Hadoop程序員，他要做的事情就是：
    1、定義Mapper，處理輸入的Key-Value對(duì)，輸出中間結(jié)果。
    2、定義Reducer，可選，對(duì)中間結(jié)果進(jìn)行規(guī)約，輸出最終結(jié)果。
    3、定義InputFormat 和OutputFormat，可選，InputFormat將每行輸入文件的內(nèi)容轉(zhuǎn)換為Java類(lèi)供Mapper函數(shù)使用，不定義時(shí)默認(rèn)為String。
    4、定義main函數(shù)，在里面定義一個(gè)Job并運(yùn)行它。
   

    然后的事情就交給系統(tǒng)了。
    1.基本概念：Hadoop的HDFS實(shí)現(xiàn)了google的GFS文件系統(tǒng)，NameNode作為文件系統(tǒng)的負(fù)責(zé)調(diào)度運(yùn)行在master，DataNode運(yùn)行在每個(gè)機(jī)器上。同時(shí)Hadoop實(shí)現(xiàn)了Google的MapReduce，JobTracker作為MapReduce的總調(diào)度運(yùn)行在master，TaskTracker則運(yùn)行在每個(gè)機(jī)器上執(zhí)行Task。

    2.main()函數(shù)，創(chuàng)建JobConf，定義Mapper，Reducer，Input/OutputFormat 和輸入輸出文件目錄，最后把Job提交給JobTracker，等待Job結(jié)束。

    3.JobTracker，創(chuàng)建一個(gè)InputFormat的實(shí)例，調(diào)用它的getSplits()方法，把輸入目錄的文件拆分成FileSplist作為Mapper task 的輸入，生成Mapper task加入Queue。

    4.TaskTracker 向 JobTracker索求下一個(gè)Map/Reduce。
      
     Mapper Task先從InputFormat創(chuàng)建RecordReader，循環(huán)讀入FileSplits的內(nèi)容生成Key與Value，傳給Mapper函數(shù)，處理完后中間結(jié)果寫(xiě)成SequenceFile.
     Reducer Task 從運(yùn)行Mapper的TaskTracker的Jetty上使用http協(xié)議獲取所需的中間內(nèi)容（33%），Sort/Merge后（66%），執(zhí)行Reducer函數(shù)，最后按照OutputFormat寫(xiě)入結(jié)果目錄。

      TaskTracker 每10秒向JobTracker報(bào)告一次運(yùn)行情況，每完成一個(gè)Task10秒后，就會(huì)向JobTracker索求下一個(gè)Task。

      Nutch項(xiàng)目的全部數(shù)據(jù)處理都構(gòu)建在Hadoop之上，詳見(jiàn)Scalable Computing with Hadoop。

    二、程序員編寫(xiě)的代碼

    我們做一個(gè)簡(jiǎn)單的分布式的Grep，簡(jiǎn)單對(duì)輸入文件進(jìn)行逐行的正則匹配，如果符合就將該行打印到輸出文件。因?yàn)槭呛?jiǎn)單的全部輸出，所以我們只要寫(xiě)Mapper函數(shù)，不用寫(xiě)Reducer函數(shù)，也不用定義Input/Output Format。

        RegMapper類(lèi)的configure()函數(shù)接受由main函數(shù)傳入的查找字符串，map() 函數(shù)進(jìn)行正則匹配，key是行數(shù)，value是文件行的內(nèi)容，符合的文件行放入中間結(jié)果。
        main()函數(shù)定義由命令行參數(shù)傳入的輸入輸出目錄和匹配字符串，Mapper函數(shù)為RegMapper類(lèi)，Reduce函數(shù)是什么都不做，直接把中間結(jié)果輸出到最終結(jié)果的的IdentityReducer類(lèi)，運(yùn)行Job。

        整個(gè)代碼非常簡(jiǎn)單，絲毫沒(méi)有分布式編程的任何細(xì)節(jié)。

       三.運(yùn)行Hadoop程序

        Hadoop這方面的文檔寫(xiě)得不全面，綜合參考GettingStartedWithHadoop 與Nutch Hadoop Tutorial 兩篇后，再碰了很多釘子才終于完整的跑起來(lái)了，記錄如下：      

3.1 local運(yùn)行模式

       完全不進(jìn)行任何分布式計(jì)算，不動(dòng)用任何namenode,datanode的做法，適合一開(kāi)始做調(diào)試代碼。
       解壓hadoop，其中conf目錄是配置目錄，hadoop的配置文件在hadoop-default.xml，如果要修改配置，不是直接修改該文件，而是修改hadoop-site.xml，將該屬性在hadoop-site.xml里重新賦值。
       hadoop-default.xml的默認(rèn)配置已經(jīng)是local運(yùn)行，不用任何修改，配置目錄里唯一必須修改的是hadoop-env.sh 里JAVA_HOME的位置。

       將編譯好的HadoopGrep與RegMapper.class 放入hadoop/build/classes/demo/hadoop/目錄 找一個(gè)比較大的log文件放入一個(gè)目錄，然后運(yùn)行

     查看輸出目錄的結(jié)果，查看hadoop/logs/里的運(yùn)行日志。  
     在重新運(yùn)行前，先刪掉輸出目錄。
 

3.2 單機(jī)集群運(yùn)行模式

       現(xiàn)在來(lái)搞一下只有單機(jī)的集群.假設(shè)以完成3.1中的設(shè)置，本機(jī)名為hadoopserver
       第1步.    然后修改hadoop-site.xml ，加入如下內(nèi)容：

    從此就將運(yùn)行從local文件系統(tǒng)轉(zhuǎn)向了hadoop的hdfs系統(tǒng)，mapreduce的jobtracker也從local的進(jìn)程內(nèi)操作變成了分布式的任務(wù)系統(tǒng)，9000，9001兩個(gè)端口號(hào)是隨便選擇的兩個(gè)空余端口號(hào)。
 
  另外，如果你的/tmp目錄不夠大，可能還要修改hadoop.tmp.dir屬性。

  第2步. 增加ssh不輸入密碼即可登陸。

    因?yàn)镠adoop需要不用輸入密碼的ssh來(lái)進(jìn)行調(diào)度，在不su的狀態(tài)下，在自己的home目錄運(yùn)行ssh-keygen -t rsa ,然后一路回車(chē)生成密鑰，再進(jìn)入.ssh目錄,cp id_rsa.pub authorized_keys
    詳細(xì)可以man 一下ssh, 此時(shí)執(zhí)行ssh hadoopserver，不需要輸入任何密碼就能進(jìn)入了。

  3.格式化namenode，執(zhí)行
  bin/hadoop namenode -format

  4.啟動(dòng)Hadoop
     執(zhí)行hadoop/bin/start-all.sh, 在本機(jī)啟動(dòng)namenode,datanode,jobtracker,tasktracker
 
  5.現(xiàn)在將待查找的log文件放入hdfs,。
     執(zhí)行hadoop/bin/hadoop dfs 可以看到它所支持的文件操作指令。
     執(zhí)行hadoop/bin/hadoop dfs put log文件所在目錄 in ，則log文件目錄已放入hdfs的/user/user-name/in 目錄中

  6.現(xiàn)在來(lái)執(zhí)行Grep操作
      hadoop/bin/hadoop demo.hadoop.HadoopGrep in out
      查看hadoop/logs/里的運(yùn)行日志，重新執(zhí)行前。運(yùn)行hadoop/bin/hadoop dfs rmr out 刪除out目錄。

  7.運(yùn)行hadoop/bin/stop-all.sh 結(jié)束

  3.3 集群運(yùn)行模式
  假設(shè)已執(zhí)行完3.2的配置，假設(shè)第2臺(tái)機(jī)器名是hadoopserver2
  1.創(chuàng)建與hadoopserver同樣的執(zhí)行用戶，將hadoop解壓到相同的目錄。

  2.同樣的修改haoop-env.sh中的JAVA_HOME 及修改與3.2同樣的hadoop-site.xml

  3. 將hadoopserver中的/home/username/.ssh/authorized_keys 復(fù)制到hadoopserver2,保證hadoopserver可以無(wú)需密碼登陸hadoopserver2
     scp /home/username/.ssh/authorized_keys  username@hadoopserver2:/home/username/.ssh/authorized_keys
 
  4.修改hadoop-server的hadoop/conf/slaves文件, 增加集群的節(jié)點(diǎn)，將localhost改為
    hadoop-server
    hadoop-server2

  5.在hadoop-server執(zhí)行hadoop/bin/start-all.sh
   將會(huì)在hadoop-server啟動(dòng)namenode,datanode,jobtracker,tasktracker
   在hadoop-server2啟動(dòng)datanode 和tasktracker
 
  6.現(xiàn)在來(lái)執(zhí)行Grep操作
     hadoop/bin/hadoop demo.hadoop.HadoopGrep in out
    重新執(zhí)行前,運(yùn)行hadoop/bin/hadoop dfs rmr out 刪除out目錄

  7.運(yùn)行hadoop/bin/stop-all.sh 結(jié)束。
   

四、效率

    經(jīng)測(cè)試，Hadoop并不是萬(wàn)用靈丹，很取決于文件的大小和數(shù)量，處理的復(fù)雜度以及群集機(jī)器的數(shù)量，相連的帶寬，當(dāng)以上四者并不大時(shí)，hadoop優(yōu)勢(shì)并不明顯。
    比如，不用hadoop用java寫(xiě)的簡(jiǎn)單grep函數(shù)處理100M的log文件只要4秒，用了hadoop local的方式運(yùn)行是14秒，用了hadoop單機(jī)集群的方式是30秒，用雙機(jī)集群10M網(wǎng)口的話更慢，慢到不好意思說(shuō)出來(lái)的地步。