利用Hadoop搭建大型分布式应用系统

在2010年Techonomy会议上参加讨论时，谷歌CEO Eric Schmidt引用一个惊人的事实指出，我们现在每两天创造的信息和2003年以来整个历史上所创建的信息一样多。信息泛滥带来了一系列的技术突破，这让企业的数据存储扩展到数千亿字节甚至是数拍字节。谷歌在此领域的贡献是尤其值得注意，包括它在MapReduce上的工作，它是一种大型分布式数据处理的方法，谷歌采用此方法来记录位于索引资源（映射这些数据）收藏里的关键字或短语，接着再把这些位置的记录和清单返回给用户（将映射数据减少到紧密相关的结果）。映射和减少操作可以涵盖模式识别、图解分析、风险管理和预测模式。

　　虽然谷歌的MapReduce安装是专有的，还存在MapReduce概念的很多开源安装，包括Apache Hadoop。事实上，Hadoop已经是分布式数据处理的实际解决方案了，数十个国际公司已经从执行和开发两个方面大力投资该项目。Adobe、Amazon、AOL、Baidu、EBay、Facebook、Hulu、IBM、Last.fm、LinkedIn、Ning、Twitter和Yahoo等已成为用户，很多大学、医院和研究中心也都成为用户，采用并不受互联网重要人物的限制。

　　Hadoop项目介绍

　　和Apache软件基金会(ASF)的很多项目一样，Hadoop是一个涵盖性术语，它分配基金会的全部措施来产生“可信、可扩展且分布式计算的开源软件”。现在的措施由四个子项目组成，包括：

• Hadoop Common：Hadoop Common形成Hadoop项目的核心，通过紧跟着的同胞项目提供所需的“管道装置”。
• HDFS：Hadoop分布式文件系统(HDFS)是遍及计算集群负责复制和分配数据的存储系统。
• MapReduce：MapReduce是开发人员用来编写应用的软件架构，这些应用处理那些存储在HDFS中的数据。
• ZooKeeper：ZooKeeper负责协调配置数据、进程同步和其它所有被分配应用有效运作所需的网络相关服务。因此，虽然你确实会以单一档案文件的形式下载Hadoop，记住，你正在下载的实际上是四个子项目，它们齐心协力来实施映射和归算处理。

　　用Hadoop做实验

　　尽管Hadoop试图解决的问题本质复杂，从运用这个项目开始会非常容易。作为一个例子，我认为用Hadoop来完成我“用PHP简化贝宝”一书中的词频率分析会很有趣。这个任务会仔细查看整本书（长度大概在130页左右），并且产生一个所有书中出现词语的分组列表，连同其中每个词出现在频率。

　　安装Hadoop之后，我用Calibre把我的书从PDF转成文本文档。Hadoop wiki还包含相似的指令，但由于比较近期的Hadoop配置过程改变，以前的资源包含略有更新的指令。

　　接下来我用下面的命令从临时位置把这本书复制到Hadoop分布式文件系统：

　　你可以通过运用以下命令确认复制成功：

　　紧接着，运用和Hadoop一起打包的示例WordCount脚本来执行词频率分析：

　　最后，你可以用以下命令查看输出内容：

　　示例WordCount频率分析脚本非常基本，对书中文本里的每一列分配同等的重量，包括代码。但是为了解析例如DocBook格式的文件并忽略代码而修改脚本则会是很烦琐的事情。无论如何，考虑一下你想要创建谷歌全球书籍词频统计器一类服务的情况，它查看超过520万本书的关键词语。