重读 《Hadoop 权威指南》

近在看 Flink 相关的东西，重读了下《Hadoop 权威指南》，以下内容作为学习笔记，版本为第四版（代码已经根据新的官网文档调整）。

很多人对 Hadoop 有一种误解，觉得 Hadoop 慢，而 Spark、Storm、Flink 很快，实际上它们并不是一个层面的东西。

Hadoop 生态

Hadoop 是一个很大的生态，包含了一系列的数据处理工具，基础的是 HDFS 和 MapReduce，前者可以简单理解为分布式文件系统，用来存数据，后者用来做计算。

Spark 等实现的是 MapReduce 的功能，或者说 MapReduce 的优化。此外 Hadoop 还有一个常见的组件是资源调度框架 YARN ，Spark 等都可以运行在 YARN 上。关联的项目就更多了，构建于 HDFS 上的 HBase，类 SQL 的 Hive 数据操纵语言，构建于 MapReduce 之上的 Mahout 机器学习框架，序列化数据的 Avro，日志收集 Flume 等等。

为什么需要 Hadoop

小数据情况下，数据库的 B 树很快，但数据量一多，涉及大量的排序和合并，MapReduce 的优势就上来了。

MapReduce 的原理网上很多，这里不过多介绍，有兴趣的可以看看谷歌的原始论文 MapReduce: Simplified Data Processing on Large Clusters。(以下的 MapReduce 不特别强调都是指 Hadoop 组件)。

MapReduce 的优势：

1. 可以线性伸缩；
2. 通过数据本地化获取更好的性能，将数据“搬运”到计算节点加快访问速度；
3. 无共享的模式，自动检测失败，失败恢复

HDFS 与 MapReduce:

1. map 任务的结果写入本地硬盘而不是 HDFS，因为终结果还需要 reduce, 所以任务结束后会被删除，没必要保存，同时读取数据也尽量本地化；
2. 一个map 处理一个分片，默认为 128MB, 如果分片过小任务并行度不够；
3. reduce 任务需要接收多个 map 任务，无法本地化，结果一般保存在 HDFS 上，个副本在本地节点，copy 在其他机架上保证可靠性；
4. reduce 任务数（并行度）不是由输入数据数量决定的，reduce 任务也不是必须的
5. 在 map 和 reduce 之间可以加入 combine 函数，相当于在 map 节点对数据进行一次“汇总”，但是 combine 要保证不改变终结果; map 在保存到磁盘前会先排序，如果需要combine会先combine；通过 partition 函数(有点像数据库的表分区，kafka topic 分区)发送到对应的 reducer
6. HDFS 用于大数据存储，但不是特别适合大量小文件，每个文件目录数据块的基本信息约150字节，这些信息都存在内存上以快速访问；不适合低时间延迟的应用；追加写方式而不是覆盖原有内容，支持单写入者（每个文件）,不支持多写入；
7. 类似于磁盘的块，HDFS 也有块，默认是 128MB，小于一个块的文件不会占据整个块大小而是实际大小，块越大，定位时间越小，但同时map的并行度取决于块的数量；块抽象了文件的存储，简化了设计，管理和计算只要根据块而不是文件的数目，注意文件的元数据权限等可以单独存储和管理在另外的文件系统；
8. HDFS 分为维护文件系统结构的 namenode 和 实际存储数据的 datanode (要理解这样的设计可以看下上文的谷歌论文)；数据实际存储在磁盘的 dfs.datanode.data.dir （hdfs-default.xml）上
9. hdfs 的并行复制 hdoop distcp file1 file2
10. YARN 请求资源分配时用“就近原则”，优先在靠近存储数据的节点上分配资源；两层结构可以更容易的扩展；YARN 是一个通用的资源管理组件，不仅仅可以运行 MapReduce
11. 推测执行：当多个任务并行时，任务的总体完成时间取决于慢的那一个，那么如果有一个任务过慢（可能是节点的硬件问题或配置问题），我们就可以启动另一个任务作为备份；推测执行会减少吞吐量；reduce 任务需要大量复制 map 数据，所以针对 reduce 关闭是有益的；非幂等的任务，即有些任务重复执行结果不一致

基础代码

以下代码省略了基础的包引入，需要懂基础的 Java

一个 Mapper 需要实现以下接口：

Class Mapper<KEYIN,VALUEIN,KEYOUT,VALUEOUT>