利用Hadoop搭建大型分布式應(yīng)用系統(tǒng)

在2010年Techonomy會議上參加討論時，谷歌CEO Eric Schmidt引用一個驚人的事實(shí)指出，我們現(xiàn)在每兩天創(chuàng)造的信息和2003年以來整個歷史上所創(chuàng)建的信息一樣多。信息泛濫帶來了一系列的技術(shù)突破，這讓企業(yè)的數(shù)據(jù)存儲擴(kuò)展到數(shù)千億字節(jié)甚至是數(shù)拍字節(jié)。谷歌在此領(lǐng)域的貢獻(xiàn)是尤其值得注意，包括它在MapReduce上的工作，它是一種大型分布式數(shù)據(jù)處理的方法，谷歌采用此方法來記錄位于索引資源（映射這些數(shù)據(jù)）收藏里的關(guān)鍵字或短語，接著再把這些位置的記錄和清單返回給用戶（將映射數(shù)據(jù)減少到緊密相關(guān)的結(jié)果）。映射和減少操作可以涵蓋模式識別、圖解分析、風(fēng)險管理和預(yù)測模式。

雖然谷歌的MapReduce安裝是專有的，還存在MapReduce概念的很多開源安裝，包括Apache Hadoop。事實(shí)上，Hadoop已經(jīng)是分布式數(shù)據(jù)處理的實(shí)際解決方案了，數(shù)十個國際公司已經(jīng)從執(zhí)行和開發(fā)兩個方面大力投資該項目。Adobe、Amazon、AOL、Baidu、EBay、Facebook、Hulu、IBM、Last.fm、LinkedIn、Ning、Twitter和Yahoo等已成為用戶，很多大學(xué)、醫(yī)院和研究中心也都成為用戶，采用并不受互聯(lián)網(wǎng)重要人物的限制。

Hadoop項目介紹

和Apache軟件基金會(ASF)的很多項目一樣，Hadoop是一個涵蓋性術(shù)語，它分配基金會的全部措施來產(chǎn)生“可信、可擴(kuò)展且分布式計算的開源軟件”。現(xiàn)在的措施由四個子項目組成，包括：

• Hadoop Common：Hadoop Common形成Hadoop項目的核心，通過緊跟著的同胞項目提供所需的“管道裝置”。
• HDFS：Hadoop分布式文件系統(tǒng)(HDFS)是遍及計算集群負(fù)責(zé)復(fù)制和分配數(shù)據(jù)的存儲系統(tǒng)。
• MapReduce：MapReduce是開發(fā)人員用來編寫應(yīng)用的軟件架構(gòu)，這些應(yīng)用處理那些存儲在HDFS中的數(shù)據(jù)。
• ZooKeeper：ZooKeeper負(fù)責(zé)協(xié)調(diào)配置數(shù)據(jù)、進(jìn)程同步和其它所有被分配應(yīng)用有效運(yùn)作所需的網(wǎng)絡(luò)相關(guān)服務(wù)。因此，雖然你確實(shí)會以單一檔案文件的形式下載Hadoop，記住，你正在下載的實(shí)際上是四個子項目，它們齊心協(xié)力來實(shí)施映射和歸算處理。

用Hadoop做實(shí)驗(yàn)

盡管Hadoop試圖解決的問題本質(zhì)復(fù)雜，從運(yùn)用這個項目開始會非常容易。作為一個例子，我認(rèn)為用Hadoop來完成我“用PHP簡化貝寶”一書中的詞頻率分析會很有趣。這個任務(wù)會仔細(xì)查看整本書（長度大概在130頁左右），并且產(chǎn)生一個所有書中出現(xiàn)詞語的分組列表，連同其中每個詞出現(xiàn)在頻率。

安裝Hadoop之后，我用Calibre把我的書從PDF轉(zhuǎn)成文本文檔。Hadoop wiki還包含相似的指令，但由于比較近期的Hadoop配置過程改變，以前的資源包含略有更新的指令。

接下來我用下面的命令從臨時位置把這本書復(fù)制到Hadoop分布式文件系統(tǒng)：

你可以通過運(yùn)用以下命令確認(rèn)復(fù)制成功：

緊接著，運(yùn)用和Hadoop一起打包的示例WordCount腳本來執(zhí)行詞頻率分析：

最后，你可以用以下命令查看輸出內(nèi)容：

示例WordCount頻率分析腳本非常基本，對書中文本里的每一列分配同等的重量，包括代碼。但是為了解析例如DocBook格式的文件并忽略代碼而修改腳本則會是很煩瑣的事情。無論如何，考慮一下你想要創(chuàng)建谷歌全球書籍詞頻統(tǒng)計器一類服務(wù)的情況，它

服務(wù)器租用/服務(wù)器托管中國五強(qiáng)！虛擬主機(jī)域名注冊頂級提供商！15年品質(zhì)保障！--億恩科技[ENKJ.COM]