Hadoop入门aokinglinux@hotmail.comhadoop(1)Google(2)Hadoop(3)HDFS(4)MapReduce(5)Cloudera(6)Hadoop的使用的使用(7)参考资料参考资料Google的核心技术Google的十个核心技术，而且可以分为四大类：?分布式基础设施：GFS、Chubby和ProtocolBuffer。?分布式大规模数据处理：MapReduce和Sawzall。?分布式数据库技术：BigTable和数据库Sharding。?数据中心优化技术：数据中心高温化、12V电池和服务器整合。Google的核心技术?分布式基础设施GFS由于搜索引擎需要处理海量的数据，所以Google的两位创始人LarryPage和SergeyBrin在创业初期设计一套名为"BigFiles"的文件系统，而GFS（全称为"GoogleFileSystem"）这套分布式文件系统则是"BigFiles"的延续。Google的核心技术?GFS的架构图Google的核心技术?GFS的架构图Google的核心技术GFS的架构的架构?Master节点节点：主要存储与数据文件相关的元数据，节点而不是Chunk（数据块）。元数据包括一个能将64位标签映射到数据块的位置及其组成文件的表格，数据块副本位置和哪个进程正在读写特定的数据块等。还有Master节点会周期性地接收从每个Chunk节点来的更新（"Heart-beat"）来让元数据保持最新状态。?Chunk节点节点：顾名思义，肯定用来存储Chunk，数据节点文件通过被分割为每个默认大小为64MB的Chunk的方式存储，而且每个Chunk有唯一一个64位标签，并且每个Chunk都会在整个分布式系统被复制多次，默认为3次。Google的核心技术GFS设计上主要有八个特点：设计上主要有八个特点：设计上主要有八个特点?大文件和大数据块大文件和大数据块：数据文件的大小普遍在GB级别，而且其每个数据块默认大小为64MB，这样做的好处是减少了元数据的大小，能使Master节点能够非常方便地将元数据放置在内存中以提升访问效率。?操作以添加为主操作以添加为主：因为文件很少被删减或者覆盖，通常只是进行添加或者读取操作，这样能充分考虑到硬盘线性吞吐量大和随机读写慢的特点。?支持容错支持容错：首先，虽然当时为了设计方便，采用了单Master的方案，但是整个系统会保证每个Master都会有其相对应的复制品，以便于在Master节点出现问题时进行切换。其次，在Chunk层，GFS已经在设计上将节点失败视为常态，所以能非常好地处理Chunk节点失效的问题。Google的核心技术GFS设计上主要有八个特点：设计上主要有八个特点：设计上主要有八个特点?高吞吐量高吞吐量：虽然其单个节点的性能无论是从吞吐量还是延迟都很普通，但因为其支持上千的节点，所以总的数据吞吐量是非常惊人的。?保护数据保护数据：首先，文件被分割成固定尺寸的数据块以便于保存，而且每个数据块都会被系统复制三份。?扩展能力强扩展能力强：因为元数据偏小，使得一个Master节点能控制上千个存数据的Chunk节点。?支持压缩支持压缩：对于那些稍旧的文件，可以通过对它进行压缩，来节省硬盘空间，并且压缩率非常惊人，有时甚至接近90%。?用户空间用户空间：虽然在用户空间运行在运行效率方面稍差，但是更便于开发和测试，还有能更好利用Linux的自带的一些POSIXAPI。Google的核心技术GFS使用使用?现在Google内部至少运行着200多个GFS集群，最大的集群有几千台服务器，并且服务于多个Google服务，比如Google搜索。但由于GFS主要为搜索而设计，所以不是很适合新的一些Google产品，比YouTube、Gmail和更强调大规模索引和实时性的Caffeine搜索引擎等，所以Google已经在开发下一代GFS，代号为"Colossus"，并且在设计方面有许多不同，比如：支持分布式Master节点来提升高可用性并能支撑更多文件，Chunk节点能支持1MB大小的chunk以支撑低延迟应用的需要。Google的核心技术?分布式大规模数据处理分布式大规模数据处理MapReduce在Google数据中心会有大规模数据需要处理，比如被网络爬虫（WebCrawler）抓取的大量网页等。由于这些数据很多都是PB级别，导致处理工作不得不尽可能的并行化，而Google为了解决这个问题，引入了MapReduce这个编程模型，MapReduce是源自函数式语言，主要通过"Map（映射）