Hadoop分析

　好链接：http://www.kuqin.com/system-analysis/20080804/13302.html
  原文地址：http://www.wangchao.net.cn/bbsdetail_490384.html

Hadoop 是 Google labs 的MapReduce的一个实现，Nutch项目的全部数据处理都构建在其之上。MapReduce是一种简化的分布式编程模式，让程序可以自动在普通机器组成的集群中以并行方式分布执行。
　　 就如同java程序员可以不考虑内存泄露一样，MapReduce程序员也不许要关心海量数据如何被分配到多台机器上，不需要考虑机器失效的处理，不需要考虑这些机器间如何协作共同完成工作，程序员不需要什么并发处理或者分布式系统的经验，就可以进行分布式的编程。
　　 MapReduce来源于函数式编程的Map,Reduce概念，Map是映射，Reduce是规约。说了非常简单，就真的是非常简单的，先看Hadoop自带的sample-WordCount ，再看Nutch里的Indexer,Fetcher两个实战的例子，最后阅读Hadoop wiki 上的HadoopMapReduce，很快就可以上手：
　　
　　 MapReduce过程简记:
　　 1.根据输入路径，先用FileSplit把输入的文件剁碎，根据InputFormat(读入资料的格式)内含的RecordReader把资料读入成一组(key,value)对，然后按mapper count平均分给不同的Mapper处理。(这段因为没看过源码，还有点模糊)
　　 2.Mapper进行Map操作 :: (InitialKey, IntialValue) -> [(InterKey, InterValue)] 从Inupt key,value 产生中间数据集。
　　 3.Reducer进行Reduce操作:: (Interkey, InterValuesIterator) -> [(InterKey, InterValue)]，Reducer遍历所有节点取得需要的中间数据集，再对其进行去重、过滤等后期处理，得到结果。
　　 4.最后由OutputFormat类（输出资料的格式）内含的RecordWriter，将最终结果输出。结果输出可以是文件，也可以是其他形式，比如Nutch的Indexer，output时并不是去写文件，而是调用Lucene的IndexWriter将作为中间数据集的Lucene Document存盘。
　　 一段典型的Hadoop代码:
　　 public static void main(String[] args) main()
　　 {
　　 JobConf conf = new JobConf(WordCount. class );
　　 conf.setJobName( " wordcount " );
　　 jobConf.setInputFormat(MyInputFormat. class );
　　 jobConf.setOutputFormat(MyOutputFormat. class );
　　
　　 jobConf.setInputKeyClass(BytesWritable. class );
　　 jobConf.setInputValueClass(BytesWritable. class );
　　 jobConf.setOutputKeyClass(BytesWritable. class );
　　 jobConf.setOutputValueClass(BytesWritable. class );
　　
　　 jobConf.setMapperClass(MyMapper. class );
　　 jobConf.setReducerClass(MyReducer. class );
　　 jobConf.setNumMapTasks(num_maps);
　　 jobConf.setNumReduceTasks(num_reduces);
　　
　　 JobClient.runJob(jobConf);
　　
　　 }
　　 这就是一段hadoop式程序的主代码，用户自行实现四个内部类，MyInputFormat，MyOutputFormat，MyMapper和MyReducer，然后一一在jobConf里配置，最后执行runJob()即可。对比一下Nutch的源码就知道，只要把原来一段顺序执行的代码，拆分到上面四个类里面去，再在jobConf里进行指定，就可以拥有分布式执行的能力，无须要处理分布式编程的代码。配置一下服务器列表，在每台服务器上执行nutch/bin/start-all.sh，你的代码就分布式地执行了。
　　 最后看一下Hadoop的结构，除了MapReduce的分发外，还有两个很重要的部分：
　　 Hadoop的快速接口反射式RPC系统：IPC。
　　 Hadoop的分布式文件系统NDFS：见 CSharpProgrammer blog上的文章。
　　 注1：笔记中部分句子直接从网上文章摘录，不一一声明。
　　 注2：Hadoop 目前版本为0.5，还不够成熟，看过源码的Donald对其源码评价一般，值得继续等待。