一、hadoop简介
1.什么是hadoop
apache hadoop project 生产出的用于高可靠、可扩展、分布式计算的开源软件，它允许通过集群的方式使用简单的编程模型分布式处理大数据，它可以从单一的服务器扩展到成千上万的机器，每一台机器都能提供本地计算和存储。hadoop认为集群中节点故障为常态，它可以自动检测和处理故障节点，所以它不依赖硬件来提供高可用性。简单的说，我们可以用hadoop分布式存储大量数据，然后根据自己的业务对海量数据进行分布式计算。例如：淘宝网昨天24小时的用户访问量折线图，不同地区、不同时段、不同终端中国apache hadoop project 包含的模块hadoop common :the common utilities that support the other hadoop modules.hadoop distributed file system (hdfs): 高吞吐分布式文件系统hadoop yarn: 作业(job)安排和资源调度平台/框架hadoop mapreduce: 运行在yarn上的大数据并行计算模型其他相关projectambarihbasehivesparkzookeeper...
2.hadoop产生背景
doug cutting是lucene、nutch 、hadoop等项目的发起人hadoop最早起源于nutch。nutch的设计目的是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题：如何解决数十亿网页的存储和索引问题。2003、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。分布式文件系统（gfs），可用于处理海量网页存储分布式计算框架（mapreduce），可用于海量网页的索引计算问题谷歌在03到06年间连续发表了三篇很有影响力的文章，分别是03年sosp的gfs，04年osdi的mapreduce，和06年osdi的bigtable。sosp和osdi都是操作系统领域的顶级会议，在计算机学会推荐会议里属于a类。sosp在单数年举办，而osdi在双数年举办。nutch开发人员完成了相应的开源实现hdfs和mapreduce，并从nutch中剥离成为独立项目hadoop，直到2008年，hadoop成为apache顶级项目，之后快速发展。到现在hadoop已经形成了完善的生态圈，
3.hadoop生态相关
bdas（berkeley data analytics stack），这个伯克利大学提出的关于数据分析的软件栈。从它的视角来看，目前的大数据处理可以分为如以下三个类型。复杂的批量数据处理（batch data processing），通常的时间跨度在数十分钟到数小时之间。基于历史数据的交互式查询（interactive query），通常的时间跨度在数十秒到数分钟之间。基于实时数据流的数据处理（streaming data processing），通常的时间跨度在数百毫秒到数秒之间。
hadoop生态圈：
大数据本身是个很宽泛的概念，hadoop生态圈（或者泛生态圈）基本上都是为了处理超过单机尺度的数据处理而诞生的。你可以把它比作一个厨房所以需要的各种工具。锅碗瓢盆，各有各的用处，互相之间又有重合。你可以用汤锅直接当碗吃饭喝汤，你可以用小刀或者刨子去皮。但是每个工具有自己的特性，虽然奇怪的组合也能工作，但是未必是最佳选择。大数据，首先你要能存的下大数据。传统的文件系统是单机的，不能横跨不同的机器。hdfs（hadoop distributed filesystem）的设计本质上是为了大量的数据能横跨成百上千台机器，但是你看到的是一个文件系统而不是很多文件系统。比如你说我要获取/hdfs/tmp/file1的数据，你引用的是一个文件路径，但是实际的数据存放在很多不同的机器上。你作为用户，不需要知道这些，就好比在单机上你不关心文件分散在什么磁道什么扇区一样。hdfs为你管理这些数据。存的下数据之后，你就开始考虑怎么处理数据。虽然hdfs可以为你整体管理不同机器上的数据，但是这些数据太大了。一台机器读取成t上p的数据（很大的数据哦，比如整个东京热有史以来所有高清电影的大小甚至更大），一台机器慢慢跑也许需要好几天甚至好几周。对于很多公司来说，单机处理是不可忍受的，比如微博要更新24小时热博，它必须在24小时之内跑完这些处理。那么我如果要用很多台机器处理，我就面临了如何分配工作，如果一台机器挂了如何重新启动相应的任务，机器之间如何互相通信交换数据以完成复杂的计算等等。这就是mapreduce / tez / spark的功能。mapreduce是第一代计算引擎，tez和spark是第二代。mapreduce的设计，采用了很简化的计算模型，只有map和reduce两个计算过程（中间用shuffle串联），用这个模型，已经可以处理大数据领域很大一部分问题了。那什么是map什么是reduce？考虑如果你要统计一个巨大的文本文件存储在类似hdfs上，你想要知道这个文本里各个词的出现频率。你启动了一个mapreduce程序。map阶段，几百台机器同时读取这个文件的各个部分，分别把各自读到的部分分别统计出词频，产生类似（hello, 12100次），（world，15214次）等等这样的pair（我这里把map和combine放在一起说以便简化）；这几百台机器各自都产生了如上的集合，然后又有几百台机器启动reduce处理。reducer机器a将从mapper机器收到所有以a开头的统计结果，机器b将收到b开头的词汇统计结果（当然实际上不会真的以字母开头做依据，而是用函数产生hash值以避免数据串化。因为类似x开头的词肯定比其他要少得多，而你不希望数据处理各个机器的工作量相差悬殊）。然后这些reducer将再次汇总，（hello，12100）＋（hello，12311）＋（hello，345881）= （hello，370292）。每个reducer都如上处理，你就得到了整个文件的词频结果。这看似是个很简单的模型，但很多算法都可以用这个模型描述了。map＋reduce的简单模型很黄很暴力，虽然好用，但是很笨重。第二代的tez和spark除了内存cache之类的新feature，本质上来说，是让map/reduce模型更通用，让map和reduce之间的界限更模糊，数据交换更灵活，更少的磁盘读写，以便更方便地描述复杂算法，取得更高的吞吐量。有了mapreduce，tez和spark之后，程序员发现，mapreduce的程序写起来真麻烦。他们希望简化这个过程。这就好比你有了汇编语言，虽然你几乎什么都能干了，但是你还是觉得繁琐。你希望有个更高层更抽象的语言层来描述算法和数据处理流程。于是就有了pig和hive。pig是接近脚本方式去描述mapreduce，hive则用的是sql。它们把脚本和sql语言翻译成mapreduce程序，丢给计算引擎去计算，而你就从繁琐的mapreduce程序中解脱出来，用更简单更直观的语言去写程序了。有了hive之后，人们发现sql对比java有巨大的优势。一个是它太容易写了。刚才词频的东西，用sql描述就只有一两行，mapreduce写起来大约要几十上百行。而更重要的是，非计算机背景的用户终于感受到了爱：我也会写sql！于是数据分析人员终于从乞求工程师帮忙的窘境解脱出来，工程师也从写奇怪的一次性的处理程序中解脱出来。大家都开心了。hive逐渐成长成了大数据仓库的核心组件。甚至很多公司的流水线作业集完全是用sql描述，因为易写易改，一看就懂，容易维护。自从数据分析人员开始用hive分析数据之后，它们发现，hive在mapreduce上跑，真几把慢！流水线作业集也许没啥关系，比如24小时更新的推荐，反正24小时内跑完就算了。但是数据分析，人们总是希望能跑更快一些。比如我希望看过去一个小时内多少人在充气娃娃页面驻足，分别停留了多久，对于一个巨型网站海量数据下，这个处理过程也许要花几十分钟甚至很多小时。而这个分析也许只是你万里长征的第一步，你还要看多少人浏览了跳蛋多少人看了拉赫曼尼诺夫的cd，以便跟老板汇报，我们的用户是猥琐男闷骚女更多还是文艺青年／少女更多。你无法忍受等待的折磨，只能跟帅帅的工程师蝈蝈说，快，快，再快一点！于是impala，presto，drill诞生了（当然还有无数非著名的交互sql引擎，就不一一列举了）。三个系统的核心理念是，mapreduce引擎太慢，因为它太通用，太强壮，太保守，我们sql需要更轻量，更激进地获取资源，更专门地对sql做优化，而且不需要那么多容错性保证（因为系统出错了大不了重新启动任务，如果整个处理时间更短的话，比如几分钟之内）。这些系统让用户更快速地处理sql任务，牺牲了通用性稳定性等特性。如果说mapreduce是大砍刀，砍啥都不怕，那上面三个就是剔骨刀，灵巧锋利，但是不能搞太大太硬的东西。这些系统，说实话，一直没有达到人们期望的流行度。因为这时候又两个异类被造出来了。他们是hive on tez / spark和sparksql。它们的设计理念是，mapreduce慢，但是如果我用新一代通用计算引擎tez或者spark来跑sql，那我就能跑的更快。而且用户不需要维护两套系统。这就好比如果你厨房小，人又懒，对吃的精细程度要求有限，那你可以买个电饭煲，能蒸能煲能烧，省了好多厨具。上面的介绍，基本就是一个数据仓库的构架了。底层hdfs，上面跑mapreduce／tez／spark，在上面跑hive，pig。或者hdfs上直接跑impala，drill，presto。这解决了中低速数据处理的要求。那如果我要更高速的处理呢？如果我是一个类似微博的公司，我希望显示不是24小时热博，我想看一个不断变化的热播榜，更新延迟在一分钟之内，上面的手段都将无法胜任。于是又一种计算模型被开发出来，这就是streaming（流）计算。storm是最流行的流计算平台。流计算的思路是，如果要达到更实时的更新，我何不在数据流进来的时候就处理了？比如还是词频统计的例子，我的数据流是一个一个的词，我就让他们一边流过我就一边开始统计了。流计算很牛逼，基本无延迟，但是它的短处是，不灵活，你想要统计的东西必须预先知道，毕竟数据流过就没了，你没算的东西就无法补算了。因此它是个很好的东西，但是无法替代上面数据仓库和批处理系统。还有一个有些独立的模块是kv store，比如cassandra，hbase，mongodb以及很多很多很多很多其他的（多到无法想象）。所以kv store就是说，我有一堆键值，我能很快速滴获取与这个key绑定的数据。比如我用身份证号，能取到你的身份数据。这个动作用mapreduce也能完成，但是很可能要扫描整个数据集。而kv store专用来处理这个操作，所有存和取都专门为此优化了。从几个p的数据中查找一个身份证号，也许只要零点几秒。这让大数据公司的一些专门操作被大大优化了。比如我网页上有个根据订单号查找订单内容的页面，而整个网站的订单数量无法单机数据库存储，我就会考虑用kv store来存。kv store的理念是，基本无法处理复杂的计算，大多没法join，也许没法聚合，没有强一致性保证（不同数据分布在不同机器上，你每次读取也许会读到不同的结果，也无法处理类似银行转账那样的强一致性要求的操作）。但是丫就是快。极快。每个不同的kv store设计都有不同取舍，有些更快，有些容量更高，有些可以支持更复杂的操作。必有一款适合你。除此之外，还有一些更特制的系统／组件，比如mahout是分布式机器学习库，protobuf是数据交换的编码和库，zookeeper是高一致性的分布存取协同系统，等等。有了这么多乱七八糟的工具，都在同一个集群上运转，大家需要互相尊重有序工作。所以另外一个重要组件是，调度系统。现在最流行的是yarn。你可以把他看作中央管理，好比你妈在厨房监工，哎，你妹妹切菜切完了，你可以把刀拿去杀鸡了。只要大家都服从你妈分配，那大家都能愉快滴烧菜。你可以认为，大数据生态圈就是一个厨房工具生态圈。为了做不同的菜，中国菜，日本菜，法国菜，你需要各种不同的工具。而且客人的需求正在复杂化，你的厨具不断被发明，也没有一个万用的厨具可以处理所有情况，因此它会变的越来越复杂。
spark生态圈
谷歌三篇论文(google file system，map reduce，bigtable)发布后，很多人开始进行学习，并在此基础上开发出各种hadoop计算平台，进行通用批处理计算(general batch processing)。之后，人们针对各种不同的计算模型开发了各种专门系统(specialized systems)，比如说迭代式的，机器学习的，流处理的，图像的和sql相关的系统。最后就是spark，它作为一种通用的统一的计算引擎(general unified engine)，希望能够一统江湖。从内往外看，生态圈核心是spark core，包括各种spark的各种核心组件，它们能够对内存和硬盘进行操作，或者调用cpu进行计算。紧邻核心圈的是与spark相关的各类接口，比如java，python和r等。这些接口的外部是针对不同类型数据的计算引擎。比如说针对关系型数据进行处理的spark sql，针对对流数据进行打包批量处理的spark steam，针对machine learning相关的库mlib，针对图的graphx，以及针对大规模数据进行采样和计算从而缩短计算时间的blinkdb。再往外就是spark运行的各种场景。比如说单机运行，在yarn上进行管理运行等等。最外层就涉及基础数据存储。我们可以用文档型数据库，关系型数据库，图数据库等等。所有这些数据存储系统spark都能访问，这归功于techyon。它对底层不同的数据存储系统进行封装，提供统一的api进行访问。它还可以看作是是对底层数据的缓存，更多关于techyon的内容可以参照深入浅出techyon。spark生态圈的各个部分跟传统hadoop系统的对应关系
spark对比hadoop重要优势spark最重要优点就是快。为什么spark比较快呢？我们来看看下图。
传统hadoop计算过程中，mapreduce任务需要跑很多次，需要多次迭代，每次迭代计算的结果都需要存下来，存到hdfs，而hdfs本身就是一些硬盘，所以本质上就...