Hadoop 2.0：主流开源云架构（一）

  自从云计算的概念被提出，不断地有IT厂商推出自己的云计算平台，但它们都是商业性平台，对于想要继续研究和发展云计算技术的个人和科研团体来说，无法获得更多的了解，Hadoop的出现给研究者带来了希望。

一、引例

（一）问题概述

【例1】 假设现有一些配置完全相同的机器cSlave0~cSlaveN，cMaster0，cMaster1，并且每台机器都有1个双核CPU，5GB硬盘。现有两个大小都是2GB的文件file0和file1。

第一类问题，存储。

问题①：将file0和file1存入两台不同机器，但要求对外显示它们存于同一硬盘空间。
问题②：不考虑①，现有一新文件file2，大小为6GB，要求存入机器后对外显示依旧为一个完整文件。

第二类问题，计算。

问题③：在问题①下，统计file0和file1这两个文件里每个单词出现的次数。

第三类问题，可靠性。

问题④：假设用于解决上述问题的机器宕机了，问如何保证数据不丢失。

（二）常规解决方案

问题①解答：取两台机器cSlave0和cSlave1，cSlave0存储file0，cSlave1存储file1。

问题②解答：将file2拆成两个大小分别为3GB的文件file2-a和file2-b，将file2-a存入cSlave0、file2-b存入cSlave1。

问题③解答：
步骤一，将cSlave1上的file1复制一份到cSlave0上，这样cSlave0上同时存有file0和file1。
步骤二，编写一简单程序，程序里使用HashMap<String, Integer>，顺序读取文件，判断新读取的单词是否存在于HashMap，存在Integer+1，不存在则HashMap里加入这个新单词，Integer置为1，记此程序为WordCount。
步骤三，将此程序WordCount放在cSlave0上执行，得出结果。

问题④解答：为每台机器都做磁盘冗余阵列（RAID），购买更稳定的硬件，配置最好的机房、最稳定的网络。

（三）分布式下的解决方案

上述方案并没有真正解决问题，下面介绍的分布式方案也是Hadoop的架构思路：

1、分布式存储

  对于第一类存储问题，若能将多台机器硬盘以某种方式连接到一起，则问题迎刃而解。取机器cSlave0，cSlave1和cMaster0，采用客户-服务器模式构建分布式存储集群，让cMaster0管理cSlave0，cSlave1。

  经过上述方式构建的集群，对内，采用客户-服务器模式，只要保证store master正常工作，我们很容易随意添加store slave，硬盘存储空间无限大。对外，统一存储空间，统一文件接口，整个集群就像是一台机器、一片云，硬盘显示为统一存储空间，文件接口统一。

  称此构建的文件系统为分布式文件系统（Distributed File System，DFS），Hadoop分布式文件系统（Hadoop DFS，HDFS）的架构思想和上述过程类似。

2、分布式计算

  处理过程可分为三步：本地计算（Map）、洗牌（Shuffle）和合并再计算（Reduce）。取新机器cMaster1，采用客户-服务器模式构建由机器cSlave0、cSlave1和cMaster1组成的分布式计算集群。

  cSlave0最好是处理存于本机硬盘上的file0，而不是将file1从cSlave1调过来（通过网络）再处理file1，这就是所谓的“本地计算”。

  如何能够实现“合并”过程也由多机执行？由此引入“洗牌”（Shuffle）过程，即规定将Key值相同的KV对，通过网络发往同一台机器。

• 第一步，每台机器将各自KV对中的Value连接成一个链表。
• 第二步，各台机器可对<Key,ValueList>进行业务处理，称此过程为Reduce。
• 第三步，将得出的结果再存于DFS。

  容易看出，无论是Map、Shuffle还是Reduce，甚至是存储结果，在每个阶段都是并行的，整个过程则构成一个有向无环图（DAG）。

3、冗余存储与冗余计算

  只要保证存于cSlave0上的数据，同时还存在于别的机器上，即使cSlave0宕机，数据依旧不会丢失。

  存储时，引入新机器cSlave2和cSlave3，将存于cSlave0的file0同样存储于cSlave2，存于cSlave1的file1同样存一份于cSlave3。计算时，cSlave0~3的计算任务统一由cMaster1指派。cMaster1选中先结束的那台机器的计算结果，并停止另一台机器里还在计算的进程。

  作用：通过冗余存储，不仅提高了分布式存储可靠性，还提高了分布式计算的可靠性。

（四）小结

• 现实中Hadoop的实现机制则更加复杂，但其架构的基本思路和本节很类似。
• 分布式存储和分布式计算这两者间并没有关系，它们各自都可以独立存在。
• 当MapReduce运行于HDFS上时，性能较好。