張國(guó)華，葉 苗，王自然，周婷婷

（南京師范大學(xué)泰州學(xué)院信息工程學(xué)院，江蘇泰州 225300）

0 引言

Hadoop［1］是一個(gè)軟件框架模型，主要用于以高效和可擴(kuò)展的方式對(duì)大數(shù)據(jù)進(jìn)行分布式信息處理，具有可靠性高、容錯(cuò)能力強(qiáng)、搭建成本低、跨平臺(tái)等特點(diǎn)。它在處理半結(jié)構(gòu)化，非結(jié)構(gòu)化的數(shù)據(jù)方面優(yōu)勢(shì)明顯，目前得到了廣泛應(yīng)用，社會(huì)對(duì)于這方面的技術(shù)人才需求量巨大，因其概念繁多，原理復(fù)雜，掌握其核心技術(shù)的人才較少。為將Hadoop生態(tài)系統(tǒng)理順，本文從整體框架（見(jiàn)圖1）分析，在整個(gè)生態(tài)系統(tǒng)中最為核心的兩個(gè)技術(shù)，一個(gè)是HDFS［2］實(shí)現(xiàn)的基礎(chǔ)數(shù)據(jù)的分布式存儲(chǔ)，它利用集群存儲(chǔ)數(shù)據(jù)的能力，擴(kuò)展了計(jì)算機(jī)的存儲(chǔ)能力。這個(gè)技術(shù)對(duì)比單機(jī)版的文件系統(tǒng)，例如Windows的文件系統(tǒng)FAT32，NTFS等就能區(qū)分其區(qū)別。其次是實(shí)現(xiàn)分布式并行編程模型MapReduce［3］，它是利用廉價(jià)的計(jì)算機(jī)集群的綜合處理能力來(lái)處理HDFS上的數(shù)據(jù)，相對(duì)于傳統(tǒng)并行計(jì)算框架，無(wú)須昂貴的服務(wù)器就可批處理非實(shí)時(shí)的海量數(shù)據(jù)。

圖1 Hadoop生態(tài)系統(tǒng)

仔細(xì)分析圖1 及查閱相關(guān)文獻(xiàn)，不難發(fā)現(xiàn)涉及對(duì)底層HDFS 數(shù)據(jù)處理的技術(shù)主要有MapReduce、Spark［4］、Hive、Pig等。為研究上述數(shù)據(jù)處理技術(shù)的區(qū)別及優(yōu)勢(shì)。本文以最為經(jīng)典的分布式程序WordCount為例，設(shè)計(jì)了不同技術(shù)方法下的實(shí)驗(yàn)，對(duì)比其適用場(chǎng)景及優(yōu)勢(shì)，幫助學(xué)生迅速理解并掌握相關(guān)技術(shù)原理及方法。

1 技術(shù)原理與對(duì)比

1.1 MapReduce

MapReduce 是一種分布式并行編程模型，是Hadoop 生態(tài)系統(tǒng)中的最為核心和最早出現(xiàn)的計(jì)算模型，MapReduce借助集群的力量解決大型數(shù)據(jù)處理問(wèn)題，其基本理念是“計(jì)算向數(shù)據(jù)靠攏”，采用分而治之的辦法，首先數(shù)據(jù)分割Split，接著由集群中的計(jì)算節(jié)點(diǎn)進(jìn)行本地Map 處理數(shù)據(jù)，Shuffle 分類數(shù)據(jù)，再Reduce匯總結(jié)果，該種模型可輕松解決TB 級(jí)別數(shù)據(jù)處理。基本流程如下圖2 所示。

圖2 MapReduce工作流程

這種技術(shù)也存在以下問(wèn)題：①頻繁訪問(wèn)HDFS，造成執(zhí)行速度相對(duì)較慢；②過(guò)于低層化且笨重，所有的數(shù)據(jù)處理均需要編寫(xiě)Map 和Reduce 函數(shù)，技術(shù)復(fù)雜且耗費(fèi)時(shí)間，也并不是所有的數(shù)據(jù)邏輯均可編寫(xiě)成這兩個(gè)關(guān)鍵性函數(shù)；③在實(shí)時(shí)數(shù)據(jù)處理方面相對(duì)于傳統(tǒng)技術(shù)無(wú)優(yōu)勢(shì)。為解決上述問(wèn)題，出現(xiàn)了第2 代的計(jì)算技術(shù)代表Spark。

1.2 Spark

Spark技術(shù)并不是完全摒棄MapReduce 技術(shù)，而是對(duì)于MapReduce 技術(shù)的優(yōu)化，具體優(yōu)化體現(xiàn)在：①計(jì)算性能［5］，Spark 充分利用服務(wù)器內(nèi)存，減少頻繁磁盤(pán)I/O讀寫(xiě)來(lái)提升性能；②應(yīng)用程序非常靈活，更容易實(shí)現(xiàn)。Spark核心代碼是非常輕量級(jí)的Scala 文件［6］，同時(shí)它也可以在各種編程語(yǔ)言中使用，包括目前流行的Java 和Python 語(yǔ)言，也可在Shell中進(jìn)行交互式查詢，更加精煉，易于掌握；③具備很強(qiáng)的處理實(shí)時(shí)數(shù)據(jù)能力。Spark通過(guò)Spark Streaming 技術(shù)進(jìn)行數(shù)據(jù)的實(shí)時(shí)處理，包含了很多功能強(qiáng)大的應(yīng)用程序接口，用戶可以快速開(kāi)發(fā)相關(guān)應(yīng)用程序。對(duì)于數(shù)據(jù)處理，無(wú)論是MapReduce還是Spark 都離不開(kāi)Map 和Reduce 的思想束縛，因此Hadoop生態(tài)系統(tǒng)中出現(xiàn)了更容易掌握類似于輕量級(jí)腳本語(yǔ)言［7］的技術(shù)Pig，及類似于通用關(guān)系型數(shù)據(jù)庫(kù)語(yǔ)言Sql的技術(shù)Hive。

1.3 Hive

Hive是Hadoop 生態(tài)系統(tǒng)中的數(shù)據(jù)倉(cāng)庫(kù)工具，可以把數(shù)據(jù)文件抽象成數(shù)據(jù)表，并能提供類似傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)結(jié)構(gòu)化查詢語(yǔ)言功能的專用語(yǔ)言HIVESQL（簡(jiǎn)稱HQL），底層將HQL 語(yǔ)句轉(zhuǎn)換為對(duì)應(yīng)邏輯的MapReduce任務(wù)進(jìn)行運(yùn)行。主要適用場(chǎng)景為數(shù)據(jù)報(bào)表、頻繁數(shù)據(jù)分析等領(lǐng)域，由于HQL 與SQL 類似，促使其成為Hadoop與其他智能工具進(jìn)行結(jié)合的理想點(diǎn)，具備傳統(tǒng)數(shù)據(jù)庫(kù)基礎(chǔ)知識(shí)即可快速掌握。

1.4 Pig

Pig［8］是比Hive 更加輕量級(jí)技術(shù)，可不涉及數(shù)據(jù)表，在大數(shù)據(jù)領(lǐng)域信息處理具備更加靈活、通用等特性，其核心主要采用了非常簡(jiǎn)潔的Pig Latin 腳本語(yǔ)言來(lái)轉(zhuǎn)換數(shù)據(jù)流嵌入到較大程序中，適用于數(shù)據(jù)管道、機(jī)器學(xué)習(xí)等領(lǐng)域。

2 實(shí)驗(yàn)環(huán)境搭建與數(shù)據(jù)準(zhǔn)備

WordCount程序［9］是分布式程序中的最經(jīng)典和最簡(jiǎn)單的案例，類似于單機(jī)入門(mén)級(jí)程序HelloWord，主要是統(tǒng)計(jì)HDFS上出現(xiàn)單詞的個(gè)數(shù)（區(qū)分單詞是根據(jù)單詞間空格），依次介紹在MapReduce、Spark、Hive、Pig的具體實(shí)現(xiàn)，并且易于還原，直觀感受技術(shù)細(xì)節(jié)和區(qū)別，幫助深刻領(lǐng)悟技術(shù)特點(diǎn)和優(yōu)勢(shì)。

2.1 實(shí)驗(yàn)環(huán)境搭建

Hadoop有單機(jī)、偽分布式、完全分布式3 種運(yùn)行模式，單機(jī)模式無(wú)集群的思維，無(wú)太大研究意義，不選擇，完全分布式方式實(shí)現(xiàn)較為煩瑣暫不采用而偽分布式能夠使用一臺(tái)計(jì)算機(jī)模擬集群工作，具備分布式思維且易于還原實(shí)現(xiàn)，且流程基本等同完全分布式系統(tǒng)，本文使用偽分布式完成以下實(shí)驗(yàn)，Hadoop 偽分布式及相關(guān)軟件快速搭建步驟如下：

步驟1Windows 操作系統(tǒng)下安裝虛擬機(jī)VirtualBox-5.2.16。

步驟2在虛擬機(jī)中導(dǎo)入互聯(lián)網(wǎng)提供的（安裝配置好Hadoop相關(guān)軟件）Ubuntu 版操作系統(tǒng)的鏡像文件。（下載URL：http：//dblab.xmu.edu.cn/blog/），如有軟件報(bào)錯(cuò)，根據(jù)虛擬機(jī)下方警告提示點(diǎn)擊更換硬件配置即可。

步驟3跨操作系統(tǒng)數(shù)據(jù)存儲(chǔ)解決辦法，在虛擬機(jī)VirtualBox中通過(guò)設(shè)置選擇USB設(shè)備，插入U(xiǎn)盤(pán)，點(diǎn)擊圖3 紅圈內(nèi)添加對(duì)應(yīng)品牌外部存儲(chǔ)器至虛擬機(jī)中，可實(shí)現(xiàn)不同操作系統(tǒng)下文件的存儲(chǔ)（見(jiàn)圖3）。

圖3 虛擬機(jī)中共享外部存儲(chǔ)器

步驟4網(wǎng)絡(luò)使用問(wèn)題解決方法，在虛擬機(jī)VirtualBox中通過(guò)設(shè)置網(wǎng)絡(luò)，選擇橋接網(wǎng)絡(luò)并全部允許，見(jiàn)圖4 紅圈，即可在Windows 和Ubuntu 操作系統(tǒng)中同時(shí)上網(wǎng)。

圖4 虛擬機(jī)中網(wǎng)絡(luò)配置

2.2 數(shù)據(jù)準(zhǔn)備

在Ubuntu系統(tǒng)［10］隨機(jī)生成100 個(gè)含有單詞的txt文件，為了便于實(shí)現(xiàn)，采用了復(fù)制文件方式進(jìn)行，并上傳至HDFS中。具體實(shí)驗(yàn)步驟如下：

步驟1通過(guò)start-dfs.sh命令來(lái)啟動(dòng)整個(gè)hadoop集群（JPS查看集群?jiǎn)?dòng)結(jié)果）。

步驟2通過(guò)input 命令將本地系統(tǒng)的文件復(fù)制到集群HDFS 文件系統(tǒng)，將所有數(shù)據(jù)放入HDFS Myinput目錄中。

步驟3通過(guò)URL 查看數(shù)據(jù)準(zhǔn)備結(jié)果（http：//localhost：50070）。

Hadoop軟件安裝配置復(fù)雜，很多初學(xué)者僅僅因?yàn)樽约喊惭b配置無(wú)法完成，購(gòu)買(mǎi)相關(guān)大數(shù)據(jù)實(shí)驗(yàn)設(shè)備昂貴，因而放棄學(xué)習(xí)，本文通過(guò)上述方法，無(wú)須額外軟硬件資本，即可完成基礎(chǔ)實(shí)驗(yàn)平臺(tái)搭建及數(shù)據(jù)準(zhǔn)備。

3 實(shí)驗(yàn)核心代碼與結(jié)果

以下實(shí)驗(yàn)均在偽分布式［11］下實(shí)現(xiàn)，使用單核Intel core i5-2450M CPU，內(nèi)存8GB，SSD 硬盤(pán)，其中內(nèi)存4GB分配給虛擬機(jī)。

3.1 WordCount—MapReduce版本

（1）核心代碼。

（2）實(shí)驗(yàn)步驟與結(jié)果。將核心代碼Mywordcount.java編譯打包成Mywordcount.jar包。進(jìn)入相關(guān)目錄通過(guò)執(zhí)行./bin/Hadoop/jar Mywordcount.jar Myinput Myoutput。在Myoutput文件夾中會(huì)出現(xiàn)統(tǒng)計(jì)結(jié)果為兩個(gè)文件，最后通過(guò)dfs -cat Myoutput/*命令顯示詞頻，如圖5所示結(jié)果，分別標(biāo)出了詞頻次數(shù)和對(duì)應(yīng)的單詞，此實(shí)驗(yàn)如果重復(fù)執(zhí)行MapReduce，應(yīng)注意初始化名稱節(jié)點(diǎn)并刪除臨時(shí)文件夾，否則統(tǒng)計(jì)結(jié)果無(wú)法覆蓋。MapReduce編寫(xiě)的代碼量較長(zhǎng)，時(shí)間復(fù)雜度也較高。通過(guò)實(shí)驗(yàn)過(guò)程和結(jié)果證明了本文1.1所述的特點(diǎn)和問(wèn)題。

圖5 MapReduce執(zhí)行結(jié)果

3.2 WordCount—Spark版本

Spark實(shí)現(xiàn)的方式可以有多種，例如Scala 語(yǔ)言，Spark本地類庫(kù)，JAVA 語(yǔ)言等，本文采用了Scala 語(yǔ)言，統(tǒng)計(jì)與3.1 相同的數(shù)據(jù)集。

（1）核心代碼。

（2）實(shí)驗(yàn)步驟與結(jié)果。創(chuàng)建一個(gè)SparkConf 對(duì)象［12］，設(shè)置處理數(shù)據(jù)的地址等主要配置信息，接著創(chuàng)建SparkContext 對(duì)象，它是Spark 所有功能的入口，無(wú)論采用何種方式均需實(shí)現(xiàn)，最后啟動(dòng)HDFS 和相關(guān)服務(wù)，編寫(xiě)執(zhí)行核心代碼，實(shí)驗(yàn)結(jié)果類似圖5，時(shí)間復(fù)雜度降低。通過(guò)實(shí)驗(yàn)過(guò)程和結(jié)果證明了本文1.2 所述的特點(diǎn)和問(wèn)題。

3.3 WordCount—Hive版本

（1）核心代碼。

（2）實(shí)驗(yàn)步驟與結(jié)果。在Hive［12］中創(chuàng)建一個(gè)臨時(shí)表Mytable，其次通過(guò)執(zhí)行shell命令load data inpath'/1.txt'overwrite into table Mytable將數(shù)據(jù)導(dǎo)入到表中，最后通過(guò)執(zhí)行Hivesql命令即可完成統(tǒng)計(jì)，統(tǒng)計(jì)類似圖5。通過(guò)實(shí)驗(yàn)過(guò)程和結(jié)果證明了本文1.3 所述的特點(diǎn)和問(wèn)題。

3.4 WordCount—Pig版本

（1）核心代碼

（2）實(shí)驗(yàn)步驟與結(jié)果。該實(shí)驗(yàn)直接使用簡(jiǎn)潔的腳本語(yǔ)言Pig Latin［13］，主要步驟為數(shù)據(jù)加載，區(qū)分單詞，單詞分組統(tǒng)計(jì)等，無(wú)論是書(shū)寫(xiě)代碼的難度、通用性還是靈活性都大大提升。實(shí)驗(yàn)結(jié)果類似圖5，通過(guò)實(shí)驗(yàn)過(guò)程和結(jié)果證明了本文1.4 所述的特點(diǎn)和問(wèn)題。

3.5 實(shí)驗(yàn)結(jié)果對(duì)比

通過(guò)對(duì)上述4 個(gè)實(shí)驗(yàn)實(shí)現(xiàn)，學(xué)生對(duì)比實(shí)驗(yàn)步驟和核心代碼，可清楚了解分布式并行計(jì)算的MapReduce的工作原理及問(wèn)題，但其Map 和Reduce 函數(shù)較難編寫(xiě)和理解，通過(guò)Spark 優(yōu)化了MapReduce 實(shí)時(shí)數(shù)據(jù)處理等問(wèn)題，而Hive 使用了類似傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)Sql的Hivesql語(yǔ)言［14］來(lái)解決分布式數(shù)據(jù)庫(kù)HIVE 表中數(shù)據(jù)處理問(wèn)題，有數(shù)據(jù)庫(kù)基礎(chǔ)的學(xué)生易于適應(yīng)和掌握，最后的腳本語(yǔ)言Pig Latin 通過(guò)腳本能自動(dòng)生成底層MapReduce程序，并且無(wú)需考慮函數(shù)參數(shù)限制，具備更強(qiáng)的通用型［15］，大大降低了程序開(kāi)發(fā)難度。

4 結(jié)語(yǔ)

通過(guò)上述4 個(gè)對(duì)比實(shí)驗(yàn)，使得學(xué)生理解分布式并行處理技術(shù)的核心框架，循序漸進(jìn)掌握Hadoop核心處理技術(shù)，理順大數(shù)據(jù)關(guān)鍵技術(shù)之間的關(guān)系，通過(guò)對(duì)經(jīng)典分布式程序WordCount案例的技術(shù)對(duì)比，直觀體會(huì)；領(lǐng)悟技術(shù)優(yōu)化過(guò)程、適用場(chǎng)景，希望通過(guò)對(duì)比試驗(yàn)不僅能給學(xué)生帶來(lái)一些技術(shù)和原理上的開(kāi)拓性思考，而且也能給教師培養(yǎng)創(chuàng)新且務(wù)實(shí)的大數(shù)據(jù)人才提供一些啟示。