Hadoop 是Google MapReduce的一個Java實現(xiàn)。MapReduce是一種簡化的分布式編程模式，讓程序自動分布到一個由普通機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)會解決輸入數(shù)據(jù)的分布細節(jié)，跨越機器集群的程序執(zhí)行調(diào)度，處理機器的失效，并且管理機器之間的通訊請求。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，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，輸出中間結(jié)果。
2、定義Reducer，可選，對中間結(jié)果進行規(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類供Mapper函數(shù)使用，不定義時默認為String。
4、定義main函數(shù)，在里面定義一個Job并運行它。
然后的事情就交給系統(tǒng)了。
1.基本概念：Hadoop的HDFS實現(xiàn)了google的GFS文件系統(tǒng)，NameNode作為文件系統(tǒng)的負責調(diào)度運行在master，DataNode運行在每個機器上。同時Hadoop實現(xiàn)了Google的MapReduce，JobTracker作為MapReduce的總調(diào)度運行在master，TaskTracker則運行在每個機器上執(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InputFormat的實例，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)果寫成SequenceFile.
Reducer Task 從運行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寫入結(jié)果目錄。
TaskTracker 每10秒向JobTracker報告一次運行情況，每完成一個Task10秒后，就會向JobTracker索求下一個Task。
Nutch項目的全部數(shù)據(jù)處理都構(gòu)建在Hadoop之上，詳見Scalable Computing with Hadoop。
二、程序員編寫的代碼
我們做一個簡單的分布式的Grep，簡單對輸入文件進行逐行的正則匹配，如果符合就將該行打印到輸出文件。因為是簡單的全部輸出，所以我們只要寫Mapper函數(shù)，不用寫Reducer函數(shù)，也不用定義Input/Output Format。
package demo.hadoop
public class HadoopGrep {
public static class RegMapper extends MapReduceBase implements Mapper {
private Pattern pattern;
public void configure(JobConf job) {
pattern = Pattern.compile(job.get( " mapred.mapper.regex " ));
}
public void map(WritableComparable key, Writable value, OutputCollector output, Reporter reporter)
throws IOException {
String text = ((Text) value).toString();
Matcher matcher = pattern.matcher(text);
if (matcher.find()) {
output.collect(key, value);
}
}
}
private HadoopGrep () {
} // singleton
public static void main(String[] args) throws Exception {
JobConf grepJob = new JobConf(HadoopGrep. class );
grepJob.setJobName( " grep-search " );
grepJob.set( " mapred.mapper.regex " , args[ 2 ]);
grepJob.setInputPath( new Path(args[ 0 ]));
grepJob.setOutputPath( new Path(args[ 1 ]));
grepJob.setMapperClass(RegMapper. class );
grepJob.setReducerClass(IdentityReducer. class );
JobClient.runJob(grepJob);
}
}
RegMapper類的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，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，運行Job。
整個代碼非常簡單，絲毫沒有分布式編程的任何細節(jié)。
三.運行Hadoop程序
Hadoop這方面的文檔寫得不全面，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了，記錄如下：
3.1 local運行模式
完全不進行任何分布式計算，不動用任何namenode,datanode的做法，適合一開始做調(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的默認配置已經(jīng)是local運行，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 找一個比較大的log文件放入一個目錄，然后運行
hadoop / bin / hadoop demo.hadoop.HadoopGrep log文件所在目錄 任意的輸出目錄 grep的字符串
查看輸出目錄的結(jié)果，查看hadoop/logs/里的運行日志。
在重新運行前，先刪掉輸出目錄。
3.2 單機集群運行模式
現(xiàn)在來搞一下只有單機的集群.假設以完成3.1中的設置，本機名為hadoopserver
第1步. 然后修改hadoop-site.xml ，加入如下內(nèi)容：
< property >
< name > fs.default.name </ name >
< value > hadoopserver:9000 </ value >
</ property >
< property >
< name > mapred.job.tracker </ name >
< value > hadoopserver:9001 </ value >
</ property >
< property >
< name > dfs.replication </ name >
< value > 1 </ value >
</ property >
從此就將運行從local文件系統(tǒng)轉(zhuǎn)向了hadoop的hdfs系統(tǒng)，mapreduce的jobtracker也從local的進程內(nèi)操作變成了分布式的任務系統(tǒng)，9000，9001兩個端口號是隨便選擇的兩個空余端口號。
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。
因為Hadoop需要不用輸入密碼的ssh來進行調(diào)度，在不su的狀態(tài)下，在自己的home目錄運行ssh-keygen -t rsa ,然后一路回車生成密鑰，再進入.ssh目錄,cp id_rsa.pub authorized_keys
詳細可以man 一下ssh, 此時執(zhí)行ssh hadoopserver，不需要輸入任何密碼就能進入了。
3.格式化namenode，執(zhí)行
bin/hadoop namenode -format
4.啟動Hadoop
執(zhí)行hadoop/bin/start-all.sh, 在本機啟動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)在來執(zhí)行Grep操作
hadoop/bin/hadoop demo.hadoop.HadoopGrep in out
查看hadoop/logs/里的運行日志，重新執(zhí)行前。運行hadoop/bin/hadoop dfs rmr out 刪除out目錄。
7.運行hadoop/bin/stop-all.sh 結(jié)束
3.3 集群運行模式
假設已執(zhí)行完3.2的配置，假設第2臺機器名是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 復制到hadoopserver2,保證hadoopserver可以無需密碼登陸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，將localhost改為
hadoop-server
hadoop-server2
5.在hadoop-server執(zhí)行hadoop/bin/start-all.sh
將會在hadoop-server啟動namenode,datanode,jobtracker,tasktracker
在hadoop-server2啟動datanode 和tasktracker
6.現(xiàn)在來執(zhí)行Grep操作
hadoop/bin/hadoop demo.hadoop.HadoopGrep in out
重新執(zhí)行前,運行hadoop/bin/hadoop dfs rmr out 刪除out目錄
7.運行hadoop/bin/stop-all.sh 結(jié)束。
四、效率
經(jīng)測試，Hadoop并不是萬用靈丹，很取決于文件的大小和數(shù)量，處理的復雜度以及群集機器的數(shù)量，相連的帶寬，當以上四者并不大時，hadoop優(yōu)勢并不明顯。
比如，不用hadoop用java寫的簡單grep函數(shù)處理100M的log文件只要4秒，用了hadoop local的方式運行是14秒，用了hadoop單機集群的方式是30秒，用雙機集群10M網(wǎng)口的話更慢，慢到不好意思說出來的地步。
