六点解读Hadoop版本和生态圈

1. Hadoop版本

(1) Apache Hadoop版本介绍

Apache的开源项目开发流程：

• 主干分支：新功能都是在主干分支（trunk）上开发。
• 特性独有分支：很多新特性稳定性很差，或者不完善，在这些分支的独有特定很完善之后，该分支就会并入主干分支。
• 候选分支：定期从主干分支剥离，一般候选分支发布，该分支就会停止更新新功能，如果候选分支有BUG修复，就会重新针对该候选分支发布一个新版本，候选分支就是发布的稳定版本。

造成Hadoop版本混乱的原因：

1. 主要功能在分支版本开发：0.20分支发布之后，主要功能一直在该分支上进行开发，主干分支并没有合并这个分支，0.20分支成为了主流。
2. 低版本的后发布：0.22版本发布要晚于0.23版本。
3. 版本重命名：0.20分支的0.20.205版本重命名为1.0版本，这两个版本是一样的，只是名字改变了。

Apache Hadoop版本示意图：

(2) Apache Hadoop版本功能介绍

第一代Hadoop特性：

• append：支持文件追加功能，让用户使用HBase的时候避免数据丢失，也是使用HBase的前提。
• raid：保证数据可靠，引入校验码校验数据块数目。
• symlink：支持HDFS文件链接。
• security：hadoop安全机制。
• namenode HA：为了避免namenode单点故障情况，HA集群有两台namenode。

第二代Hadoop特性：

• HDFS Federation：NameNode制约HDFS扩展，该功能让多个NameNode分管不同目录，实现访问隔离和横向扩展。
• yarn：MapReduce扩展性和多框架方面支持不足，yarn是全新的资源管理框架，将JobTracker资源管理和作业控制功能分开，ResourceManager负责资源管理，ApplicationMaster负责作业控制。

0.20版本分支：只有这个分支是稳定版本，其它分支都是不稳定版本。

• 0.20.2版本（稳定版）：包含所有特性，经典版。
• 0.20.203版本（稳定版）：包含append，不包含symlink raid namenodeHA功能。
• 0.20.205版本/1.0版本（稳定版）：包含append security，不包含symlink raid namenodeHA功能。
• 1.0.1~1.0.4版本（稳定版）：修复1.0.0的bug和进行一些性能上的改进。

0.21版本分支（不稳定版）：包含append raid symlink namenodeHA，不包含security。

0.22版本分支（不稳定版）：包含 append raid symlink那么弄得HA，不包含mapreduce security。

0.23版本分支：

• 0.23.0版本（不稳定版）：第二代的hadoop，增加了HDFS Federation和yarn。
• 0.23.1~0.23.5（不稳定版）：修复0.23.0的一些BUG，以及进行一些优化。
• 2.0.0-alpha~2.0.2-alpha（不稳定版）：增加了namenodeHA 和 Wire-compatiblity功能。

(3) Cloudera Hadoop对应Apache Hadoop版本

2. Hadoop生态圈

Apache支持：Hadoop的核心项目都受Apache支持的，除了Hadoop之外，还有下面几个项目，也是Hadoop不可或缺的一部分。

• HDFS：分布式文件系统，用于可靠的存储海量数据。
• MapReduce：分布式处理数据模型，可以运行于大型的商业云计算集群中。
• Pig：数据流语言和运行环境，用来检索海量数据集。
• HBase：分布式数据库，按列存储，HBase使用HDFS作为底层存储，同时支持MapReduce模型的海量计算和随机读取。
• Zookeeper：提供Hadoop集群的分布式的协调服务，用于构建分布式应用，避免应用执行失败带来的不确定性损失。
• Sqoop：该工具可以用于HBase 和 HDFS之间的数据传输，提高数据传输效率。
• Common：分布式文件系统，通用IO组件与接口，包括序列化、Java RPC和持久化数据结构。
• Avro：支持高效跨语言的RPC及永久存储数据的序列化系统。

MapReduce模型简介

MapReduce简介：MapReduce是一种数据处理编程模型。

• 多语言支持：MapReduce可以使用各种语言编写，例如Java、Ruby、Python、C++。
• 并行本质 ：MapReduce 本质上可以并行运行的。

1. MapReduce数据模型解析

MapReduce数据模型：

• 两个阶段：MapReduce的任务可以分为两个阶段，Map阶段和Reduce阶段。
• 输入输出：每个阶段都使用键值对作为输入和输出，IO类型可以由程序员进行选择。
• 两个函数：map函数和reduce函数。

MapReduce作业组成：一个MapReduce工作单元，包括输入数据，MapReduce程序和配置信息。

作业控制：作业控制由JobTracker（一个）和TaskTracker（多个）进行控制的。

• JobTracker作用：JobTracker控制TaskTracke上任务的运行，进行统一调度。
• TaskTracker作用：执行具体的MapReduce程序。
• 统一调度方式：TaskTracker运行的同时将运行进度发送给JobTracker，JobTracker记录所有的TaskTracker。
• 任务失败处理：如果一个TaskTracker任务失败，JobTracker会调度其它TaskTracker上重新执行该MapReduce作业。

2. Map数据流

输入分片：MapReduce程序执行的时候，输入的数据会被分成等长的数据块，这些数据块就是分片。

• 分片对应任务：每个分片都对应着一个Map任务，即MapReduce中的map函数。
• 并行处理：每个分片执行Map任务要比一次性处理所有数据时间要短。
• 负载均衡：集群中的计算机有的性能好有的性能差，按照性能合理的分配分片大小，比平均分配效率要高，充分发挥出集群的效率。
• 合理分片：分片越小负载均衡效率越高，但是管理分片和管理map任务总时间会增加，需要确定一个合理的分片大小，一般默认为64M，与块大小相同。

数据本地优化：map任务运行在本地存储数据的节点上，才能获得最好的效率。

• 分片=数据块：一个分片只在单个节点上存储，效率最佳。
• 分片>数据块：分片大于数据块，那么一个分片的数据就存储在了多个节点上，map任务所需的数据需要从多个节点传输，会降低效率。

Map任务输出：Map任务执行结束后，将计算结果写入到本地硬盘，不是写入到HDFS中。

• 中间过渡：Map的结果只是用于中间过渡，这个中间结果要传给Reduce任务执行，reduce任务的结果才是最终结果，map中间值最后会被删除。
• map任务失败：如果map任务失败，会在另一个节点重新运行这个map任务，再次计算出中间结果。

3. Reduce数据流

Reduce任务：map任务的数量要远远多于Reduce任务。

• 无本地化优势：Reduce的任务的输入是Map任务的输出，reduce任务的绝大多数数据本地是没有的。
• 数据合并：map任务输出的结果，会通过网络传到reduce任务节点上，先进行数据的合并，然后在输入到reduce任务中进行处理。
• 结果输出：reduce的输出直接输出到HDFS中。
• reduce数量：reduce数量是特别指定的，在配置文件中指定。

MapReduce数据流框图解析：

• 单个MapReduce的数据流：

• 多个MapReduce模型：

• 没有Reduce程序的MapReduce数据流：

Map输出分区：多个reduce任务，每个reduce任务都对应着一些map任务，我们将这些map任务根据其输入reduce任务进行分区，为每个reduce建立一个分区。

• 分区标识：map结果有许多种类键，相同的键对应的数据传给一个reduce，一个map可能会给多个reduce输出数据。
• 分区函数：分区函数可以由用户定义，一般情况下使用系统默认的分区函数partitioner，该函数通过哈希函数进行分区。

混洗：map任务和reduce任务之间的数据流成为混。

• reduce数据来源：每个reduce任务的输入数据来自多个map
• map数据去向：每个map任务的结果都输出到多个reduce中

没有Reduce：当数据可以完全并行处理的时候，就可以不适用reduce，只进行map任务。

4. Combiner 引入

MapReduce瓶颈：带宽限制了MapReduce执行任务的数量，Map和Reduce执行过程中需要进行大量的数据传输。

解决方案：合并函数Combiner，将多个Map任务输出的结果合并，将合并后的结果发送给Reduce作业。

5. HadoopStreaming

Hadoop多语言支持：Java、Python、Ruby、C++

• 多语言：Hadoop允许使用其它语言写MapReduce函数。
• 标准流：因为Hadoop可以使用UNIX标准流作为Hadoop和应用程序之间的接口，因此只要使用标准流，就可以进行MapReduce编程。

Streaming处理文本：Streaming在文本处理模式下，有一个数据行视图，非常适合处理文本。

• Map函数的输入输出：标准流一行一行的将数据输入到Map函数，Map函数的计算结果写到标准输出流中。
• Map输出格式：输出的键值对是以制表符分隔的行，以这种形式写出的标准输出流中。
• Reduce函数的输入输出：输入数据是标准输入流中的通过制表符分隔的键值对行，该输入经过了Hadoop框架排序，计算结果输出到标准输出流中。

6. Hadoop Pipes

Pipes概念：Pipes是MapReduce的C++接口

• 理解误区：Pipes不是使用标准输入输出流作为Map和Reduce之间的Streaming，也没有使用JNI编程。
• 工作原理：Pipes使用套接字作为map和reduce函数进程之间的通信。