从hadoop框架与MapReduce模式中谈海量数据处理
前言
??? 幾周前，當(dāng)我最初聽到，以致后來初次接觸Hadoop與MapReduce這兩個(gè)東西，我便稍顯興奮，覺得它們很是神秘，而神秘的東西常能勾起我的興趣，在看過介紹它們的文章或論文之后，覺得Hadoop是一項(xiàng)富有趣味和挑戰(zhàn)性的技術(shù)，且它還牽扯到了一個(gè)我更加感興趣的話題：海量數(shù)據(jù)處理。
??? 由此，最近凡是空閑時(shí)，便在看“Hadoop”，“MapReduce”“海量數(shù)據(jù)處理”這方面的論文。但在看論文的過程中，總覺得那些論文都是淺嘗輒止，常常看的很不過癮，總是一個(gè)東西剛要講到緊要處，它便結(jié)束了，讓我好生“憤懣”。
??? 盡管我對這個(gè)Hadoop與MapReduce知之甚淺，但我還是想記錄自己的學(xué)習(xí)過程，說不定，關(guān)于這個(gè)東西的學(xué)習(xí)能督促我最終寫成和“經(jīng)典算法研究系列”一般的一系列文章。
??? Ok，閑話少說。本文從最基本的mapreduce模式，Hadoop框架開始談起，然后由各自的架構(gòu)引申開來，談到海量數(shù)據(jù)處理，最后談?wù)勌詫毜暮Ａ繑?shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，以為了兼?zhèn)錅\出與深入之效，最終，希望得到讀者的喜歡與支持。謝謝。
??? 由于本人是初次接觸這兩個(gè)東西，文章有任何問題，歡迎不吝指正。Ok，咱們開始吧。
第一部分、mapreduce模式與hadoop框架深入淺出
架構(gòu)扼要
???????? 想讀懂此文，讀者必須先要明確以下幾點(diǎn)，以作為閱讀后續(xù)內(nèi)容的基礎(chǔ)知識儲備：
??? 所以，你現(xiàn)在，知道了什么是mapreduce，什么是hadoop，以及這兩者之間最簡單的聯(lián)系，而本文的主旨即是，一句話概括：在hadoop的框架上采取mapreduce的模式處理海量數(shù)據(jù)。下面，咱們可以依次深入學(xué)習(xí)和了解mapreduce和hadoop這兩個(gè)東西了。
Mapreduce模式
??? 前面說了，mapreduce是一種模式，一種什么模式呢?一種云計(jì)算的核心計(jì)算模式，一種分布式運(yùn)算技術(shù)，也是簡化的分布式編程模式，它主要用于解決問題的程序開發(fā)模型，也是開發(fā)人員拆解問題的方法。
??? Ok，光說不上圖，沒用。如下圖所示，mapreduce模式的主要思想是將自動(dòng)分割要執(zhí)行的問題（例如程序）拆解成map（映射）和reduce（化簡）的方式，流程圖如下圖1所示：
??? 在數(shù)據(jù)被分割后通過Map 函數(shù)的程序?qū)?shù)據(jù)映射成不同的區(qū)塊，分配給計(jì)算機(jī)機(jī)群處理達(dá)到分布式運(yùn)算的效果，在通過Reduce 函數(shù)的程序?qū)⒔Y(jié)果匯整，從而輸出開發(fā)者需要的結(jié)果。
??? MapReduce 借鑒了函數(shù)式程序設(shè)計(jì)語言的設(shè)計(jì)思想，其軟件實(shí)現(xiàn)是指定一個(gè)Map 函數(shù)，把鍵值對(key/value)映射成新的鍵值對(key/value)，形成一系列中間結(jié)果形式的key/value 對，然后把它們傳給Reduce(規(guī)約)函數(shù)，把具有相同中間形式key 的value 合并在一起。Map 和Reduce 函數(shù)具有一定的關(guān)聯(lián)性。函數(shù)描述如表1 所示：
??? MapReduce致力于解決大規(guī)模數(shù)據(jù)處理的問題，因此在設(shè)計(jì)之初就考慮了數(shù)據(jù)的局部性原理，利用局部性原理將整個(gè)問題分而治之。MapReduce集群由普通PC機(jī)構(gòu)成，為無共享式架構(gòu)。在處理之前，將數(shù)據(jù)集分布至各個(gè)節(jié)點(diǎn)。處理時(shí)，每個(gè)節(jié)點(diǎn)就近讀取本地存儲的數(shù)據(jù)處理（map），將處理后的數(shù)據(jù)進(jìn)行合并（combine）、排序（shuffle and sort）后再分發(fā)（至reduce節(jié)點(diǎn)），避免了大量數(shù)據(jù)的傳輸，提高了處理效率。無共享式架構(gòu)的另一個(gè)好處是配合復(fù)制（replication）策略，集群可以具有良好的容錯(cuò)性，一部分節(jié)點(diǎn)的down機(jī)對集群的正常工作不會造成影響。
??? ok，你可以再簡單看看下副圖，整幅圖是有關(guān)hadoop的作業(yè)調(diào)優(yōu)參數(shù)及原理，圖的左邊是MapTask運(yùn)行示意圖，右邊是ReduceTask運(yùn)行示意圖：
??? 如上圖所示，其中map階段，當(dāng)map task開始運(yùn)算，并產(chǎn)生中間數(shù)據(jù)后并非直接而簡單的寫入磁盤，它首先利用內(nèi)存buffer來對已經(jīng)產(chǎn)生的buffer進(jìn)行緩存，并在內(nèi)存buffer中進(jìn)行一些預(yù)排序來優(yōu)化整個(gè)map的性能。而上圖右邊的reduce階段則經(jīng)歷了三個(gè)階段，分別Copy->Sort->reduce。我們能明顯的看出，其中的Sort是采用的歸并排序，即merge sort。
??? 了解了什么是mapreduce，接下來，咱們可以來了解實(shí)現(xiàn)了mapreduce模式的開源框架—hadoop。
Hadoop框架
??? 前面說了，hadoop是一個(gè)框架，一個(gè)什么樣的框架呢?Hadoop 是一個(gè)實(shí)現(xiàn)了MapReduce 計(jì)算模型的開源分布式并行編程框架，程序員可以借助Hadoop 編寫程序，將所編寫的程序運(yùn)行于計(jì)算機(jī)機(jī)群上，從而實(shí)現(xiàn)對海量數(shù)據(jù)的處理。
??? 此外，Hadoop 還提供一個(gè)分布式文件系統(tǒng)(HDFS）及分布式數(shù)據(jù)庫（HBase）用來將數(shù)據(jù)存儲或部署到各個(gè)計(jì)算節(jié)點(diǎn)上。所以，你可以大致認(rèn)為：Hadoop=HDFS（文件系統(tǒng)，數(shù)據(jù)存儲技術(shù)相關(guān)）+HBase（數(shù)據(jù)庫）+MapReduce（數(shù)據(jù)處理）。Hadoop 框架如圖2 所示：
??? 借助Hadoop 框架及云計(jì)算核心技術(shù)MapReduce 來實(shí)現(xiàn)數(shù)據(jù)的計(jì)算和存儲，并且將HDFS 分布式文件系統(tǒng)和HBase 分布式數(shù)據(jù)庫很好的融入到云計(jì)算框架中，從而實(shí)現(xiàn)云計(jì)算的分布式、并行計(jì)算和存儲，并且得以實(shí)現(xiàn)很好的處理大規(guī)模數(shù)據(jù)的能力。
Hadoop的組成部分
??? 我們已經(jīng)知道，Hadoop是Google的MapReduce一個(gè)Java實(shí)現(xiàn)。MapReduce是一種簡化的分布式編程模式，讓程序自動(dòng)分布到一個(gè)由普通機(jī)器組成的超大集群上并發(fā)執(zhí)行。Hadoop主要由HDFS、MapReduce和HBase等組成。具體的hadoop的組成如下圖：
??? 由上圖，我們可以看到：
??? 1、?????????????Hadoop HDFS是Google GFS存儲系統(tǒng)的開源實(shí)現(xiàn)，主要應(yīng)用場景是作為并行計(jì)算環(huán)境（MapReduce）的基礎(chǔ)組件，同時(shí)也是BigTable（如HBase、HyperTable）的底層分布式文件系統(tǒng)。HDFS采用master/slave架構(gòu)。一個(gè)HDFS集群是有由一個(gè)Namenode和一定數(shù)目的Datanode組成。Namenode是一個(gè)中心服務(wù)器，負(fù)責(zé)管理文件系統(tǒng)的namespace和客戶端對文件的訪問。Datanode在集群中一般是一個(gè)節(jié)點(diǎn)一個(gè)，負(fù)責(zé)管理節(jié)點(diǎn)上它們附帶的存儲。在內(nèi)部，一個(gè)文件其實(shí)分成一個(gè)或多個(gè)block，這些block存儲在Datanode集合里。如下圖所示（HDFS體系結(jié)構(gòu)圖）：
??? 2、?????????????Hadoop MapReduce是一個(gè)使用簡易的軟件框架，基于它寫出來的應(yīng)用程序能夠運(yùn)行在由上千個(gè)商用機(jī)器組成的大型集群上，并以一種可靠容錯(cuò)的方式并行處理上TB級別的數(shù)據(jù)集。
??? 一個(gè)MapReduce作業(yè)（job）通常會把輸入的數(shù)據(jù)集切分為若干獨(dú)立的數(shù)據(jù)塊，由 Map任務(wù)（task）以完全并行的方式處理它們。框架會對Map的輸出先進(jìn)行排序，然后把結(jié)果輸入給Reduce任務(wù)。通常作業(yè)的輸入和輸出都會被存儲在文件系統(tǒng)中。整個(gè)框架負(fù)責(zé)任務(wù)的調(diào)度和監(jiān)控，以及重新執(zhí)行已經(jīng)失敗的任務(wù)。如下圖所示（Hadoop MapReduce處理流程圖）：
??? 3、?????????????Hive是基于Hadoop的一個(gè)數(shù)據(jù)倉庫工具，處理能力強(qiáng)而且成本低廉。
主要特點(diǎn)：
存儲方式是將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫表。提供類SQL語言，實(shí)現(xiàn)完整的SQL查詢功能。可以將SQL語句轉(zhuǎn)換為MapReduce任務(wù)運(yùn)行，十分適合數(shù)據(jù)倉庫的統(tǒng)計(jì)分析。
不足之處：
采用行存儲的方式（SequenceFile）來存儲和讀取數(shù)據(jù)。效率低：當(dāng)要讀取數(shù)據(jù)表某一列數(shù)據(jù)時(shí)需要先取出所有數(shù)據(jù)然后再提取出某一列的數(shù)據(jù)，效率很低。同時(shí)，它還占用較多的磁盤空間。
由于以上的不足，有人（查禮博士）介紹了一種將分布式數(shù)據(jù)處理系統(tǒng)中以記錄為單位的存儲結(jié)構(gòu)變?yōu)橐粤袨閱挝坏拇鎯Y(jié)構(gòu)，進(jìn)而減少磁盤訪問數(shù)量，提高查詢處理性能。這樣，由于相同屬性值具有相同數(shù)據(jù)類型和相近的數(shù)據(jù)特性，以屬性值為單位進(jìn)行壓縮存儲的壓縮比更高，能節(jié)省更多的存儲空間。如下圖所示（行列存儲的比較圖）：
4、?????????????HBase
??? HBase是一個(gè)分布式的、面向列的開源數(shù)據(jù)庫，它不同于一般的關(guān)系數(shù)據(jù)庫,是一個(gè)適合于非結(jié)構(gòu)化數(shù)據(jù)存儲的數(shù)據(jù)庫。另一個(gè)不同的是HBase基于列的而不是基于行的模式。HBase使用和 BigTable非常相同的數(shù)據(jù)模型。用戶存儲數(shù)據(jù)行在一個(gè)表里。一個(gè)數(shù)據(jù)行擁有一個(gè)可選擇的鍵和任意數(shù)量的列，一個(gè)或多個(gè)列組成一個(gè)ColumnFamily，一個(gè)Fmaily下的列位于一個(gè)HFile中，易于緩存數(shù)據(jù)。表是疏松的存儲的，因此用戶可以給行定義各種不同的列。在HBase中數(shù)據(jù)按主鍵排序，同時(shí)表按主鍵劃分為多個(gè)HRegion，如下圖所示（HBase數(shù)據(jù)表結(jié)構(gòu)圖）：
??? Ok，行文至此，看似洋洋灑灑近千里，但若給讀者造成閱讀上的負(fù)擔(dān)，則不是我本意。接下來的內(nèi)容，我不會再引用諸多繁雜的專業(yè)術(shù)語，以給讀者心里上造成不良影響。
??? 我再給出一副圖，算是對上文所說的hadoop框架及其組成部分做個(gè)總結(jié)，如下圖所示，便是hadoop的內(nèi)部結(jié)構(gòu)，我們可以看到，海量的數(shù)據(jù)交給hadoop處理后，在hadoop的內(nèi)部中，正如上文所述：hadoop提供一個(gè)分布式文件系統(tǒng)（HDFS）及分布式數(shù)據(jù)庫（Hbase）用來存儲或部署到各個(gè)計(jì)算點(diǎn)上，最終在內(nèi)部采取mapreduce的模式對其數(shù)據(jù)進(jìn)行處理，然后輸出處理結(jié)果：
?
?
第二部分、淘寶海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)解讀—學(xué)習(xí)海量數(shù)據(jù)處理經(jīng)驗(yàn)
??? 在上面的本文的第一部分中，我們已經(jīng)對mapreduce模式及hadoop框架有了一個(gè)深入而全面的了解。不過，如果一個(gè)東西，或者一個(gè)概念不放到實(shí)際應(yīng)用中去，那么你對這個(gè)理念永遠(yuǎn)只是停留在理論之內(nèi)，無法向?qū)嵺`邁進(jìn)。
??? Ok，接下來，本文的第二部分，咱們以淘寶的數(shù)據(jù)魔方技術(shù)架構(gòu)為依托，通過介紹淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，來進(jìn)一步學(xué)習(xí)和了解海量數(shù)據(jù)處理的經(jīng)驗(yàn)。
淘寶海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)
??? 如下圖2-1所示，即是淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，咱們下面要針對這個(gè)架構(gòu)來一一剖析與解讀。
??? 相信，看過本博客內(nèi)其它文章的細(xì)心讀者，定會發(fā)現(xiàn)，圖2-1最初見于本博客內(nèi)的此篇文章：從幾幅架構(gòu)圖中偷得半點(diǎn)海量數(shù)據(jù)處理經(jīng)驗(yàn)之上，同時(shí)，此圖2-1最初發(fā)表于《程序員》8月刊，作者：朋春。
??? 在此之前，有一點(diǎn)必須說明的是：本文下面的內(nèi)容大都是參考自朋春先生的這篇文章：淘寶數(shù)據(jù)魔方技術(shù)架構(gòu)解析所寫，我個(gè)人所作的工作是對這篇文章的一種解讀與關(guān)鍵技術(shù)和內(nèi)容的抽取，以為讀者更好的理解淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)。與此同時(shí)，還能展示我自己讀此篇的思路與感悟，順帶學(xué)習(xí)，何樂而不為呢?。
??? Ok，不過，與本博客內(nèi)之前的那篇文章（幾幅架構(gòu)圖中偷得半點(diǎn)海量數(shù)據(jù)處理經(jīng)驗(yàn)）不同，本文接下來，要詳細(xì)闡述這個(gè)架構(gòu)。我也做了不少準(zhǔn)備工作（如把這圖2-1打印了下來，經(jīng)常琢磨）：
?
??????????????????????????????????????????? ? 圖2-1 淘寶海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)
??? 好的，如上圖所示，我們可以看到，淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，分為以下五個(gè)層次，從上至下來看，它們分別是：數(shù)據(jù)源，計(jì)算層，存儲層，查詢層和產(chǎn)品層。我們來一一了解這五層：
??? 接下來，咱們重點(diǎn)來了解第三層-存儲層中的MyFox與Prom，然后會稍帶分析下glide的技術(shù)架構(gòu)，最后，再了解下緩存。文章即宣告結(jié)束。
??? 我們知道，關(guān)系型數(shù)據(jù)庫在我們現(xiàn)在的工業(yè)生產(chǎn)中有著廣泛的引用，它包括Oracle，MySQL、DB2、Sybase和SQL Server等等。
MyFOX
??? 淘寶選擇了MySQL的MyISAM引擎作為底層的數(shù)據(jù)存儲引擎。且為了應(yīng)對海量數(shù)據(jù)，他們設(shè)計(jì)了分布式MySQL集群的查詢代理層-MyFOX。
如下圖所示，是MySQL的數(shù)據(jù)查詢過程：
??????????????????????????????????????????????????????????? 圖2-2 MyFOX的數(shù)據(jù)查詢過程
??? 在MyFOX的每一個(gè)節(jié)點(diǎn)中，存放著熱節(jié)點(diǎn)和冷節(jié)點(diǎn)兩種節(jié)點(diǎn)數(shù)據(jù)。顧名思義，熱節(jié)點(diǎn)存放著最新的，被訪問頻率較高的數(shù)據(jù)；冷節(jié)點(diǎn)，存放著相對而來比較舊的，訪問頻率比較低的數(shù)據(jù)。而為了存儲這兩種節(jié)點(diǎn)數(shù)據(jù)，出于硬件條件和存儲成本的考慮，你當(dāng)然會考慮選擇兩種不同的硬盤，來存儲這兩種訪問頻率不同的節(jié)點(diǎn)數(shù)據(jù)。如下圖所示：
?????????????????????????????????????????????????????????? 圖2-3 MyFOX節(jié)點(diǎn)結(jié)構(gòu)
??? ?“熱節(jié)點(diǎn)”，選擇每分鐘15000轉(zhuǎn)的SAS硬盤，按照一個(gè)節(jié)點(diǎn)兩臺機(jī)器來計(jì)算，單位數(shù)據(jù)的存儲成本約為4.5W/TB。相對應(yīng)地，“冷數(shù)據(jù)”我們選擇了每分鐘7500轉(zhuǎn)的SATA硬盤，單碟上能夠存放更多的數(shù)據(jù)，存儲成本約為1.6W/TB。
Prom
出于文章篇幅的考慮，本文接下來不再過多闡述這個(gè)Prom了。如下面兩幅圖所示，他們分別表示的是Prom的存儲結(jié)構(gòu)以及Prom查詢過程：
??????????????????????????????????????????????圖2-4 Prom的存儲結(jié)構(gòu)
?
????????????????????????????????????????????????????????? 圖2-5 Prom查詢過程
glide的技術(shù)架構(gòu)
????
???????????????????????????????????????????? ? 圖2-6 glider的技術(shù)架構(gòu)
??? 在這一層-查詢層中，淘寶主要是基于用中間層隔離前后端的理念而考慮。Glider這個(gè)中間層負(fù)責(zé)各個(gè)異構(gòu)表之間的數(shù)據(jù)JOIN和UNION等計(jì)算，并且負(fù)責(zé)隔離前端產(chǎn)品和后端存儲，提供統(tǒng)一的數(shù)據(jù)查詢服務(wù)。
緩存
??? 除了起到隔離前后端以及異構(gòu)“表”之間的數(shù)據(jù)整合的作用之外，glider的另外一個(gè)不容忽視的作用便是緩存管理。我們有一點(diǎn)須了解，在特定的時(shí)間段內(nèi)，我們認(rèn)為數(shù)據(jù)產(chǎn)品中的數(shù)據(jù)是只讀的，這是利用緩存來提高性能的理論基礎(chǔ)。
在上文圖2-6中我們看到，glider中存在兩層緩存，分別是基于各個(gè)異構(gòu)“表”（datasource）的二級緩存和整合之后基于獨(dú)立請求的一級緩存。除此之外，各個(gè)異構(gòu)“表”內(nèi)部可能還存在自己的緩存機(jī)制。
?????????????????????????????????????????? ????????????? ??圖2-7 緩存控制體系
??? 圖2-7向我們展示了數(shù)據(jù)魔方在緩存控制方面的設(shè)計(jì)思路。用戶的請求中一定是帶了緩存控制的“命令”的，這包括URL中的query string，和HTTP頭中的“If-None-Match”信息。并且，這個(gè)緩存控制“命令”一定會經(jīng)過層層傳遞，最終傳遞到底層存儲的異構(gòu)“表”模塊。
??? 緩存系統(tǒng)往往有兩個(gè)問題需要面對和考慮：緩存穿透與失效時(shí)的雪崩效應(yīng)。
??? 而在數(shù)據(jù)魔方里，淘寶采用了一個(gè)更為簡單粗暴的方法，如果一個(gè)查詢返回的數(shù)據(jù)為空（不管是數(shù)據(jù)不存在，還是系統(tǒng)故障），我們?nèi)匀话堰@個(gè)空結(jié)果進(jìn)行緩存，但它的過期時(shí)間會很短，最長不超過五分鐘。
??????2、緩存失效時(shí)的雪崩效應(yīng)盡管對底層系統(tǒng)的沖擊非常可怕。但遺憾的是，這個(gè)問題目前并沒有很完美的解決方案。大多數(shù)系統(tǒng)設(shè)計(jì)者考慮用加鎖或者隊(duì)列的方式保證緩存的單線程（進(jìn)程）寫，從而避免失效時(shí)大量的并發(fā)請求落到底層存儲系統(tǒng)上。
??? 在數(shù)據(jù)魔方中，淘寶設(shè)計(jì)的緩存過期機(jī)制理論上能夠?qū)⒏鱾€(gè)客戶端的數(shù)據(jù)失效時(shí)間均勻地分布在時(shí)間軸上，一定程度上能夠避免緩存同時(shí)失效帶來的雪崩效應(yīng)。
本文參考：
?
原文鏈接http://blog.csdn.net/v_july_v/article/details/6704077
轉(zhuǎn)載于:https://www.cnblogs.com/apex/p/3994050.html
總結(jié)
以上是生活随笔為你收集整理的从hadoop框架与MapReduce模式中谈海量数据处理的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： PHP中不用第三个变量交换两个变量的值
- 下一篇： 自己写一个树形导航菜单