3.1.1　Hadoop和HDFS

在第2章介绍Apache Nutch的时候，就曾提到过Hadoop起源于Nutch。2003年，Google发表了一篇论文描述他们的分布式文件系统GFS（Google File System），为Nutch攻克数十亿网页的存储难题提供了方向。Nutch和Lucene的创始人Doug Cutting受到启发，和团队一起开发了Nutch的分布式文件系统NDFS（Nutch Distributed File System）。2004年，Google又发表了一篇重量级的论文《MapReduce：在大规模集群上的简化数据处理》（“MapReduce:Simplified Data Processing on Large Clusters”）。之后，Doug Cutting等人开始尝试实现论文所阐述的计算框架MapReduce。此外，为了更好地支持该框架，他们还将其与NDFS相结合。2006年，该项目从Nutch搜索引擎中独立出来，成为如今的Hadoop（http://hadoop.apache.org）。两年之后，Hadoop已经发展成为Apache基金会的顶级项目，并应用到很多著名的互联网公司中，目前其最新的版本是2.x。

如今的Hadoop系统已经可以让使用者轻松地架构分布式存储平台了，开发和运行大规模的数据处理应用，其主要优势如下。

• 透明性：使用者可以在不了解Hadoop分布式底层细节的情况下，开发分布式程序，充分利用集群的威力进行高速运算和存储。
• 高扩展性：扩展分为纵向扩展和横向扩展，纵向扩展将增加单机的资源，总会达到瓶颈；而横向将增加集群中的机器数量，获得近似线性增加的性能，不容易达到瓶颈。Hadoop集群中的节点资源，采用的就是横向方式，可以方便地进行扩充，并获得显著的性能提升。
• 高效性：由于采用了多个资源并行处理，使得Hadoop不再受限于单机操作（特别是较慢的磁盘I/O读写），可以快速地完成大规模的任务。加上其所具有的可扩展性，随着硬件资源的增加，性能将会得到进一步的提升。
• 高容错和高可靠性：Hadoop中的数据都有多处备份，如果数据发生丢失或损坏，能够自动从其他副本（Replication）进行复原。同理，失败的计算任务也可以分配到新的资源节点，进行自动重试。
• 低成本：正是因为Hadoop有良好的扩展性和容错性，所以没有必要再为其添置昂贵的高端服务器。廉价的硬件，甚至是个人计算机都可以成为资源节点。

Hadoop的发展历史决定了Hadoop框架的最核心元素就是HDFS和MapReduce。HDFS为海量的数据提供了存储，而MapReduce为海量的数据提供了计算。本章将侧重于HDFS的介绍，更多关于MapReduce的介绍将放在第4章，该章节专门讨论数据的处理。

HDFS是受到Google的大型分布式文件系统GFS的启发而开发出来的。Google的数据中心采用了廉价的Linux PC服务器构建集群，而GFS正是这个数据中心的存储系统，它隐藏了底层的负载均衡、切片备份等实现细节，让复杂性透明化，并提供了统一的文件系统访问接口。由于一脉相承，HDFS也有类似于GFS的特性和架构，适合部署在低廉的硬件上，容错性也比较高。同时，它还能提供高吞吐量的读取，适合那些有着超大数据集的应用场景。

为了更好地理解HDFS的体系架构，让我们先思考一个虚拟的案例：假设有一个名叫Hadoop的快消品公司，专门采用Flume公司提供的水源来生产各式饮用水和饮料，每天都有大量的纯净水通过Flume公司的车队运送到Hadoop公司的仓库。起初，Hadoop公司的规模并不大，一个仓库就足以满足业务的生产需求。随着市场的不断扩张，业绩蒸蒸日上，仓库已经无法放下更多的原材料了。但这个仓库建在市区，周边没有多余的空地供仓库扩建，如果再购买市区现有的其他仓库，成本又太高。怎么办呢？公司的高层想到了在市区周围的几个郊县再多建几处仓库。10多个仓库盖好了，生产的原材料有了足够的场地可以存放。可是这个时候Flume公司傻眼了，我们的纯净水到底要发往哪个仓库呢？如果不确定清楚，就有可能出现这样的情况：送到1号仓库，发现1号已经满仓，无法收货，而2号、3号和4号仓库等却都是空的。为了便于协调，Hadoop公司又成立了专门的仓库管理部门，负责收集各个仓库的负载情况，并及时与Flume公司的运输队进行沟通，整个流程渐渐变得顺畅。可是好景不长，高层很快发现了新的问题。原来，生产不同的饮料需要不同类型的水源，之前的做法是将某类水固定地存放在指定的仓库，例如A类水永远存放在3号仓。但是3号仓库总是发生意外状况，不是被小偷盗窃，就是大型储水桶发生渗漏，结果导致某些饮料的生产常常被耽误。该怎么办呢？类似的情况，将来会不会也发生在其他仓库呢？高层领导伤透了脑筋。关键的时刻，有人献上了妙计：要改变这种固定存放的模式，A类水分批放在3号、6号和8号库。这样，即使3号库的A类纯净水缺货，还可以从6号和8号库及时调拨，不至于影响饮料的生产。然后，再从Flume公司购买新的A类水放入3号库。这个策略果然生效，停产的风险大大降低，之后其他仓库发生类似的问题时也通过这个方案得到了很好的解决。

这个案例很容易理解，从中可以总结出如下3种行为：扩建仓库、增加协同部门和多仓备货。其实，HDFS架构和仓库的原理非常类似，下面看看这三种行为，分别对应于HDFS的哪些概念。

• 扩建仓库：单个仓库的扩建，就是所谓的纵向扩展。纵向扩展很容易达到瓶颈，建立仓库是这样，计算机系统也同样如此。例如单机的硬盘和内存，不可能无限制地被加大。这时就需要考虑横向扩展了，在郊区新建一个仓库，在计算机系统中就是增加新的机器作为资源节点，不过这些机器节点存储的不再是纯净水，而是数据。在HDFS中，这些存储数据的节点被称为数据节点（Data Node）。
• 增加协调部门：协同部门可以实时收集各个仓库的运作情况，并决策将进货存放在哪里更为合适。在HDFS中，扮演这个角色的节点称为命名节点（Name Node），它维护着系统中的大量元数据，负责管理文件系统的命名空间（Name Space）和控制外部的访问，包括打开、关闭、重命名文件或目录，将数据块映射到具体的数据节点等。随着协同部门职能重要性的日益增加，总公司可能还会将其管理内容进行备份，这就是次要命名节点（Secondary Name Node）。次要命名节点和命名节点的区别在于，它不会与数据节点和其他任务节点沟通，也不接收HDFS上的任何变化记录。次要命名节点最主要的目标就是与命名节点通信，根据配置定期地获取命名节点上的HDFS元数据快照，因此效率是非常高的。
• 在多个仓库中进行备货：意外总是会发生，为了防止意外导致缺货的情况发生，可以采用的一项策略是将货物存储在多地的仓库中。在HDFS中也有同样的理念，这就是备份或副本（Replication）。存储在数据节点上的数据库可以有多个副本，并分发到其他节点上。这样在某个数据节点上丢失的数据，可以在其他数据节点上找到并恢复。容错性得以提升。

通过这个案例的比喻，也可以很容易地理解HDFS分布式文件系统一个重要的运用场景，就是与第2章中介绍的数据收集相互集成，保存互联网和大型企业内部每天产生的海量数据内容。理解了这些基本的概念，我们就可以画出图3-2来展示HDFS的工作原理了。

不过，在了解了HDFS的大致工作后，我们也会发现，HDFS存在如下几个弱点：

• 不适合实时性很强的数据访问。试想一下，还是将不同类型的水源分散在不同的仓库存储，而现在有一款神秘的饮料，其制作工艺极其复杂，需要多种类型的净水作为原材料。因此，必须要到多个仓库取货，最后才能组装生产，那么Hadoop公司是不是很累？就是说，对于一个应用的查询，其对应的数据通常是分散在HDFS系统中的不同数据节点上的。为了获取全部的数据，需要访问多个节点，并且将不同部分的结果在网络中传输，最后进行合并。可是，网络传输的速度，相对于本机的硬盘和内存读取，都要慢很多，因此就拖累了数据查询的执行过程。
• 无法高效存储大量小文件。如果Flume公司有一天突发奇想，想恶搞一下Hadoop公司，送水的时候不再用超级大桶，而是用小奶瓶装，那么Hadoop公司的仓库管理部门绝对要跳脚。本来是1万桶水，结果顷刻之间变成了1亿个小奶瓶，还需要跟踪它们都存储在哪些仓库，简直是要将人逼疯。对于HDFS而言，命名节点承担的就是协调和管理工作，如果存在太多的琐碎文件，就意味着有庞大的元数据需要处理，这无疑大大增加了命名节点的负载。命名节点检索的效率会明显下降，最终也会导致整体的处理速度放缓。

此外，HDFS对多用户的写入及文件任意修改的支持也不足。文件并发时的写入者只有1个，而且写操作只能在文件末尾追加新的数据，还不能在文件的任意位置进行插入。但不管怎样，HDFS整体上还是拥有良好的分布式文件系统设计，对Hadoop及其生态体系的流行起到了关键的作用。