利用Hadoop搭建大型分布式應用系統

在2010年Techonomy會議上參加討論時，谷歌CEO Eric Schmidt引用一個驚人的事實指出，我們現在每兩天創造的信息和2003年以來整個歷史上所創建的信息一樣多。信息泛濫帶來了一系列的技術突破，這讓企業的數據存儲擴展到數千億字節甚至是數拍字節。谷歌在此領域的貢獻是尤其值得注意，包括它在MapReduce上的工作，它是一種大型分布式數據處理的方法，谷歌采用此方法來記錄位于索引資源（映射這些數據）收藏里的關鍵字或短語，接著再把這些位置的記錄和清單返回給用戶（將映射數據減少到緊密相關的結果）。映射和減少操作可以涵蓋模式識別、圖解分析、風險管理和預測模式。

雖然谷歌的MapReduce安裝是專有的，還存在MapReduce概念的很多開源安裝，包括Apache Hadoop。事實上，Hadoop已經是分布式數據處理的實際解決方案了，數十個國際公司已經從執行和開發兩個方面大力投資該項目。Adobe、Amazon、AOL、Baidu、EBay、Facebook、Hulu、IBM、Last.fm、LinkedIn、Ning、Twitter和Yahoo等已成為用戶，很多大學、醫院和研究中心也都成為用戶，采用并不受互聯網重要人物的限制。

Hadoop項目介紹

和Apache軟件基金會(ASF)的很多項目一樣，Hadoop是一個涵蓋性術語，它分配基金會的全部措施來產生“可信、可擴展且分布式計算的開源軟件”。現在的措施由四個子項目組成，包括：

• Hadoop Common：Hadoop Common形成Hadoop項目的核心，通過緊跟著的同胞項目提供所需的“管道裝置”。
• HDFS：Hadoop分布式文件系統(HDFS)是遍及計算集群負責復制和分配數據的存儲系統。
• MapReduce：MapReduce是開發人員用來編寫應用的軟件架構，這些應用處理那些存儲在HDFS中的數據。
• ZooKeeper：ZooKeeper負責協調配置數據、進程同步和其它所有被分配應用有效運作所需的網絡相關服務。因此，雖然你確實會以單一檔案文件的形式下載Hadoop，記住，你正在下載的實際上是四個子項目，它們齊心協力來實施映射和歸算處理。

用Hadoop做實驗

盡管Hadoop試圖解決的問題本質復雜，從運用這個項目開始會非常容易。作為一個例子，我認為用Hadoop來完成我“用PHP簡化貝寶”一書中的詞頻率分析會很有趣。這個任務會仔細查看整本書（長度大概在130頁左右），并且產生一個所有書中出現詞語的分組列表，連同其中每個詞出現在頻率。

安裝Hadoop之后，我用Calibre把我的書從PDF轉成文本文檔。Hadoop wiki還包含相似的指令，但由于比較近期的Hadoop配置過程改變，以前的資源包含略有更新的指令。

接下來我用下面的命令從臨時位置把這本書復制到Hadoop分布式文件系統：

你可以通過運用以下命令確認復制成功：

緊接著，運用和Hadoop一起打包的示例WordCount腳本來執行詞頻率分析：

最后，你可以用以下命令查看輸出內容：

示例WordCount頻率分析腳本非常基本，對書中文本里的每一列分配同等的重量，包括代碼。但是為了解析例如DocBook格式的文件并忽略代碼而修改腳本則會是很煩瑣的事情。無論如何，考慮一下你想要創建谷歌全球書籍詞頻統計器一類服務的情況，它

服務器租用/服務器托管中國五強！虛擬主機域名注冊頂級提供商！15年品質保障！--億恩科技[ENKJ.COM]