Hadoop是一個(gè)由Apache基金會(huì)所開發(fā)的分布式系統(tǒng)基礎(chǔ)架構(gòu)。

用戶可以在不了解分布式底層細(xì)節(jié)的情況下，開發(fā)分布式程序。充分利用集群的威力進(jìn)行高速運(yùn)算和存儲(chǔ)。

Hadoop實(shí)現(xiàn)了一個(gè)分布式文件系統(tǒng)（Hadoop Distributed File System），簡稱HDFS。HDFS有高容錯(cuò)性的特點(diǎn)，并且設(shè)計(jì)用來部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）來訪問應(yīng)用程序的數(shù)據(jù)，適合那些有著超大數(shù)據(jù)集（large data set）的應(yīng)用程序。HDFS放寬了（relax）POSIX的要求，可以以流的形式訪問（streaming access）文件系統(tǒng)中的數(shù)據(jù)。

Hadoop的框架最核心的設(shè)計(jì)就是：HDFS和MapReduce。HDFS為海量的數(shù)據(jù)提供了存儲(chǔ)，則MapReduce為海量的數(shù)據(jù)提供了計(jì)算。

基于Hadoop的校園云存儲(chǔ)系統(tǒng)

服務(wù)器使用Linux操作系統(tǒng)，采用MapReduce編程算法實(shí)現(xiàn)并行處理。

HDFS（Hadoop Distributed File System）是一個(gè)運(yùn)行在普通硬件之上的分布式文件系統(tǒng)。HDFS系統(tǒng)采用Master/Slave框架，一個(gè)HDFS集群系統(tǒng)是由一個(gè)Master和多個(gè)Slaver構(gòu)成。前者叫做名字節(jié)點(diǎn)（NameNode），是一個(gè)中心服務(wù)器負(fù)責(zé)元數(shù)據(jù)的管理工作，主要包括文件系統(tǒng)的名字空間管理和客戶機(jī)對(duì)文件的訪問操作。后者叫做數(shù)據(jù)節(jié)點(diǎn)（DataNode），在集群系統(tǒng)中一般一個(gè)節(jié)點(diǎn)是由一個(gè)DataNode構(gòu)成的，主要負(fù)責(zé)對(duì)節(jié)點(diǎn)上它們附帶的存儲(chǔ)進(jìn)行管理。

HDFS系統(tǒng)中文件的目錄結(jié)構(gòu)獨(dú)立存儲(chǔ)在NameNode上，對(duì)于具體的文件數(shù)據(jù)來說，一個(gè)文件數(shù)據(jù)其實(shí)被拆分成若干block，這些block冗余存儲(chǔ)在DataNode集合數(shù)據(jù)里。NameNode負(fù)責(zé)執(zhí)行文件系統(tǒng)的Namespace管理工作，主要包括關(guān)閉，打開和重命名數(shù)據(jù)文件和目錄等操作，同時(shí)負(fù)責(zé)建立block和DataNode節(jié)點(diǎn)的映射關(guān)系?？蛻魴C(jī)的讀寫需求是由DataNode節(jié)點(diǎn)響應(yīng)完成的，同時(shí)DataNode節(jié)點(diǎn)在NameNode的統(tǒng)一指揮下進(jìn)行Block的創(chuàng)建，刪除和復(fù)制等操作。

MapReduce編程模型是一種編程模型，是云計(jì)算的核心計(jì)算模式，用于大規(guī)模數(shù)據(jù)集的并行計(jì)算。MapReduce借用了函數(shù)式編程的思想，把海量數(shù)據(jù)集的常見操作抽象為Map（映射）和Reduce（化簡）兩種集合操作。通過Map函數(shù)將被分割后數(shù)據(jù)映射成不同的區(qū)塊，然后由計(jì)算機(jī)集群對(duì)分配的數(shù)據(jù)進(jìn)行分布式運(yùn)算處理，再由Reduce函數(shù)對(duì)數(shù)據(jù)結(jié)果進(jìn)行統(tǒng)一匯整，最后輸出用戶想要的數(shù)據(jù)結(jié)果。MapReduce的軟件實(shí)現(xiàn)是指定一個(gè)Map函數(shù)，用來把一組鍵值對(duì)映射成一組新的鍵值對(duì)，指定并發(fā)的Reduce（化簡）函數(shù)，用來保證所有映射的鍵值對(duì)中的每一個(gè)共享相同的鍵組。

Master包括NameNode和JobTracker，Slaves包括DataNodes和TaskTrackers.HDFS的工作主要由NameNode和DataNodes共同完成，MapReduce的工作主要由JobTracker和TaskTrackers共同完成。模型工作流程：服務(wù)控制集群SCC（Service Controller Cluster）主要負(fù)責(zé)對(duì)用戶應(yīng)用請(qǐng)求進(jìn)行接收，并根據(jù)用戶的請(qǐng)求完成應(yīng)答工作。存儲(chǔ)節(jié)點(diǎn)集群SNC（Storage Node Cluster）主要負(fù)責(zé)處理數(shù)據(jù)資源的存取工作。JobTracker可以運(yùn)行在集群系統(tǒng)中的每一臺(tái)計(jì)算機(jī)上，主要完成管理和調(diào)度其它計(jì)算機(jī)上的TaskTracker。

不同的是TaskTracker必須運(yùn)行在數(shù)據(jù)存儲(chǔ)節(jié)點(diǎn)的DataNode上，主要完成執(zhí)行任務(wù)工作。JobTracker負(fù)責(zé)將每一個(gè)Map和Reduce任務(wù)分配給空閑的TaskTracker處理，完成對(duì)每個(gè)數(shù)據(jù)文件并行計(jì)算處理任務(wù)，同時(shí)將每個(gè)任務(wù)運(yùn)行完成的情況進(jìn)行監(jiān)控。當(dāng)其中一個(gè)TaskTracker發(fā)生故障時(shí)，JobTracker會(huì)主動(dòng)將其負(fù)責(zé)的任務(wù)轉(zhuǎn)交給另外一個(gè)空閑的TaskTracker重新執(zhí)行完成這個(gè)任務(wù)。用戶本身不直接通過Hadoop架構(gòu)進(jìn)行讀寫數(shù)據(jù)，這由可以避免大量的讀寫操作造成的系統(tǒng)擁塞。當(dāng)用戶通過Hadoop架構(gòu)把信息傳給SCC后，將直接與存儲(chǔ)節(jié)點(diǎn)進(jìn)行交互，同時(shí)完成數(shù)據(jù)讀取操作。

系統(tǒng)采用Hadoop軟件，7臺(tái)PC，其中一臺(tái)為Master，namenode（集群主節(jié)點(diǎn)）；另外六臺(tái)為Slave， datanode（從節(jié)點(diǎn)）。

集群部署步驟：

（1）。 集群配置SSH，實(shí)現(xiàn)機(jī)器間免密碼登陸。在每臺(tái)機(jī)器上生成ssh密鑰，然后交換公鑰，將namenode的公鑰拷貝到每臺(tái)datanode，這樣互相訪問就不需要密碼了。

（2）。 在每臺(tái)機(jī)器上安裝JDK，配置java環(huán)境。

（3）。 安裝配置hadoop。

（4）。 啟動(dòng)hadoop服務(wù)。

（5）。 安裝eclipse，搭建集成開發(fā)環(huán)境。

基于Hadoop平臺(tái)的云存儲(chǔ)

云計(jì)算（Cloud Computing）是一種基于因特網(wǎng)的超級(jí)計(jì)算模式，在遠(yuǎn)程的數(shù)據(jù)中心里，成千上萬臺(tái)電腦和服務(wù)器連接成一片電腦云。用戶通過電腦、筆記本、手機(jī)等方式接人數(shù)據(jù)中心，按自己的需求進(jìn)行運(yùn)算。目前，對(duì)于云計(jì)算仍沒有普遍一致的定義。結(jié)合上述定義，可以總結(jié)出云計(jì)算的一些本質(zhì)特征，即分布式計(jì)算和存儲(chǔ)特性、高擴(kuò)展性、用戶友好性、良好的管理性。

1云存儲(chǔ)架構(gòu)圖

橘色的作為存儲(chǔ)節(jié)點(diǎn)（Storage Node）負(fù)責(zé)存放文件，藍(lán)色作為控制節(jié)點(diǎn)（（Control Node）則是負(fù)責(zé)文件索引，并負(fù)責(zé)監(jiān)控存儲(chǔ)節(jié)點(diǎn)間容量及負(fù)載的均衡，這兩個(gè)部分合起來便組成一個(gè)云存儲(chǔ)。存儲(chǔ)節(jié)點(diǎn)與控制節(jié)點(diǎn)都是單純的服務(wù)器，只是存儲(chǔ)節(jié)點(diǎn)的硬盤多一些，存儲(chǔ)節(jié)點(diǎn)服務(wù)器不需要具備RAID的功能，只要能安裝Linux即可，控制節(jié)點(diǎn)為了保護(hù)數(shù)據(jù)，需要有簡單的RAID level O1的功能。

云存儲(chǔ)不是要取代現(xiàn)有的盤陣，而是為了應(yīng)付高速成長的數(shù)據(jù)量與帶寬而產(chǎn)生的新形態(tài)存儲(chǔ)系統(tǒng)，因此云存儲(chǔ)在設(shè)計(jì)時(shí)通常會(huì)考慮以下三點(diǎn)：

（1）容量、帶寬的擴(kuò)容是否簡便

擴(kuò)容是不能停機(jī)，會(huì)自動(dòng)將新的存儲(chǔ)節(jié)點(diǎn)容量納入原來的存儲(chǔ)池。不需要做繁復(fù)的設(shè)定。

圖1云存儲(chǔ)架構(gòu)圖

（2）帶寬是否線形增長

使用云存儲(chǔ)的客戶，很多是考慮未來帶寬的增長，因此云存儲(chǔ)產(chǎn)品設(shè)計(jì)的好壞會(huì)產(chǎn)生很大的差異，有些十幾個(gè)節(jié)點(diǎn)便達(dá)到飽和，這樣對(duì)未來帶寬的擴(kuò)容就有不利的影響，這一點(diǎn)要事先弄清楚，否則等到發(fā)現(xiàn)不符合需求時(shí)，已經(jīng)買了幾百TB，后悔就來不及了。

（3）管理是否容易。

2云存儲(chǔ)關(guān)鍵技術(shù)

云存儲(chǔ)必須具備九大要素：①性能;②安全性;③自動(dòng)ILM存儲(chǔ);④存儲(chǔ)訪問模式;⑤可用性;⑥主數(shù)據(jù)保護(hù);⑦次級(jí)數(shù)據(jù)保護(hù);⑧存儲(chǔ)的靈活;⑨存儲(chǔ)報(bào)表。

云計(jì)算的發(fā)展離不開虛擬化、并行計(jì)算、分布式計(jì)算等核心技術(shù)的發(fā)展成熟。下面對(duì)其介紹如下：

（1）集群技術(shù)、網(wǎng)格技術(shù)和分布式文件系統(tǒng)

云存儲(chǔ)系統(tǒng)是一個(gè)多存儲(chǔ)設(shè)備、多應(yīng)用、多服務(wù)協(xié)同工作的集合體，任何一個(gè)單點(diǎn)的存儲(chǔ)系統(tǒng)都不是云存儲(chǔ)。

既然是由多個(gè)存儲(chǔ)設(shè)備構(gòu)成的，不同存儲(chǔ)設(shè)備之間就需要通過集群技術(shù)、分布式文件系統(tǒng)和網(wǎng)格計(jì)算等技術(shù)，實(shí)現(xiàn)多個(gè)存儲(chǔ)設(shè)備之間的協(xié)同工作，使多個(gè)的存 儲(chǔ)設(shè)備可以對(duì)外提供同一種服務(wù)，并提供更大更強(qiáng)更好的數(shù)據(jù)訪問性能。如果沒有這些技術(shù)的存在，云存儲(chǔ)就不可能真正實(shí)現(xiàn)，所謂的云存儲(chǔ)只能是一個(gè)一個(gè)的獨(dú)立 系統(tǒng)，不能形成云狀結(jié)構(gòu)。

（2）CDN內(nèi)容分發(fā)、P2P技術(shù)、數(shù)據(jù)壓縮技術(shù)、重復(fù)數(shù)據(jù)刪除技術(shù)、數(shù)據(jù)加密技術(shù)

CDN內(nèi)容分發(fā)系統(tǒng)、數(shù)據(jù)加密技術(shù)保證云存儲(chǔ)中的數(shù)據(jù)不會(huì)被未授權(quán)的用戶所訪問，同時(shí)，通過各種數(shù)據(jù)備份和容災(zāi)技術(shù)保證云存儲(chǔ)中的數(shù)據(jù)不會(huì)丟失，保證云存儲(chǔ)自身的安全和穩(wěn)定。如果云存儲(chǔ)中的數(shù)據(jù)安全得不到保證，也沒有人敢用云存儲(chǔ)了。

（3）存儲(chǔ)虛擬化技術(shù)、存儲(chǔ)網(wǎng)絡(luò)化管理技術(shù)

云存儲(chǔ)中的存儲(chǔ)設(shè)備數(shù)量龐大且分布多在不同地域，如何實(shí)現(xiàn)不同廠商、不同型號(hào)甚至于不同類型（例如FC存儲(chǔ)和IP存儲(chǔ)）的多臺(tái)設(shè)備之間的邏輯卷管 理、存儲(chǔ)虛擬化管理和多鏈路冗余管理將會(huì)是一個(gè)巨大的難題，這個(gè)問題得不到解決，存儲(chǔ)設(shè)備就會(huì)是整個(gè)云存儲(chǔ)系統(tǒng)的性能瓶頸，結(jié)構(gòu)上也無法形成一個(gè)整體，而 且還會(huì)帶來后期容量和性能擴(kuò)展難等問題。

3部署Hadoop

從歷史上看，數(shù)據(jù)分析軟件面對(duì)當(dāng)今的海量數(shù)據(jù)已顯得力不從心，這種局面正在悄然轉(zhuǎn)變。新的海量數(shù)據(jù)分析引擎已經(jīng)出現(xiàn)。例如Apache的Hadoop，實(shí)踐證明，Hadoop在數(shù)據(jù)處理方面是做得最好的且是開源的平臺(tái)之一。

云存儲(chǔ)中心是由大量服務(wù)器構(gòu)成Hadoop的數(shù)據(jù)節(jié)點(diǎn)（（DataNodes），負(fù)責(zé)保存文件的內(nèi)容，實(shí)現(xiàn)文件的分布式存儲(chǔ)、負(fù)載平衡以及文件的容錯(cuò)控制。

下面將利用Hadoop作為實(shí)驗(yàn)平臺(tái)，一步一步演示如何部署一個(gè)三個(gè)節(jié)點(diǎn)的集群，并測試一下MapRe-dace分布式處理的強(qiáng)大功能，在Hadoop分布式文件系統(tǒng)（HDFS）中存人兩個(gè)文件，并采用MapReduce計(jì)算出兩個(gè)namelist文件中各個(gè)名字出現(xiàn)的次數(shù)，程序架構(gòu)設(shè)計(jì)如圖2所示。

圖2 3個(gè)節(jié)點(diǎn)的Hadoop集群

其中NameNode主節(jié)點(diǎn)和DataNode從節(jié)點(diǎn)的分布情況如下：

表1

（1）啟動(dòng)Hadoop集群

只需要在NameNode主節(jié)點(diǎn)上執(zhí)行start-all.sh命令即可，同時(shí)Master節(jié)點(diǎn)可以通過ssh登錄到各，lave節(jié)點(diǎn)去啟動(dòng)其他相關(guān)進(jìn)程。

（2） MapRudce測試

在NameNode和DataNode兩個(gè)結(jié)點(diǎn)都運(yùn)行正常的時(shí)候，也就是Hadoop部署成功了之后，我們?cè)贜ameNode主節(jié)點(diǎn)上準(zhǔn)備兩個(gè)名單文件。名單文件的內(nèi)容如下：

4運(yùn)行實(shí)驗(yàn)及結(jié)果

5結(jié)語

結(jié)果跟我們預(yù)期的一樣，這樣在以Hadoop為平臺(tái)進(jìn)行了對(duì)HDFS的文件存儲(chǔ)，并且統(tǒng)計(jì)了文件中數(shù)據(jù)的數(shù)量，然后顯示出來。