作者：
江南白衣??? Hadoop 是 Google labs 的MapReduce的一個實現(xiàn)，Nutch項目的全部數(shù)據(jù)處理都構建在其之上。MapReduce是一種簡化的分布式編程模式，讓程序可以自動在普通機器組成的集群中以并行方式分布執(zhí)行。
??? 就如同java程序員可以不考慮內存泄露一樣，MapReduce程序員也不許要關心海量數(shù)據(jù)如何被分配到多臺機器上，不需要考慮機器失效的處理，不需要考慮這些機器間如何協(xié)作共同完成工作，程序員不需要什么并發(fā)處理或者分布式系統(tǒng)的經驗，就可以進行分布式的編程。
?? MapReduce來源于函數(shù)式編程的Map,Reduce概念，Map是映射，Reduce是規(guī)約。說了非常簡單，就真的是非常簡單的，先看Hadoop自帶的sample-WordCount?，再看Nutch里的Indexer,Fetcher兩個實戰(zhàn)的例子，最后閱讀Hadoop wiki 上的HadoopMapReduce，很快就可以上手：
?
?? MapReduce過程簡記:
??? 1.根據(jù)輸入路徑，先用FileSplit把輸入的文件剁碎，根據(jù)InputFormat(讀入資料的格式)內含的RecordReader把資料讀入成一組(key,value)對，然后按mapper count平均分給不同的Mapper處理。(這段因為沒看過源碼，還有點模糊)
??? 2.Mapper進行Map操作 :: (InitialKey, IntialValue) -> [(InterKey, InterValue)] 從Inupt key,value 產生中間數(shù)據(jù)集。
??? 3.Reducer進行Reduce操作:: (Interkey, InterValuesIterator) -> [(InterKey, InterValue)]，Reducer遍歷所有節(jié)點取得需要的中間數(shù)據(jù)集，再對其進行去重、過濾等后期處理，得到結果。
?? ?4.最后由OutputFormat類（輸出資料的格式）內含的RecordWriter，將最終結果輸出。結果輸出可以是文件，也可以是其他形式，比如Nutch的Indexer，output時并不是去寫文件，而是調用Lucene的IndexWriter將作為中間數(shù)據(jù)集的Lucene Document存盤。
? 一段典型的Hadoop代碼:
??public?static?void?main(String[]?args)?main()
???{?
????JobConf?conf?=?new?JobConf(WordCount.class);
????conf.setJobName("wordcount");???
????jobConf.setInputFormat(MyInputFormat.class);
????jobConf.setOutputFormat(MyOutputFormat.class);
???
????jobConf.setInputKeyClass(BytesWritable.class);
????jobConf.setInputValueClass(BytesWritable.class);
????jobConf.setOutputKeyClass(BytesWritable.class);
????jobConf.setOutputValueClass(BytesWritable.class);
????
????jobConf.setMapperClass(MyMapper.class);????????
????jobConf.setReducerClass(MyReducer.class);
????jobConf.setNumMapTasks(num_maps);
????jobConf.setNumReduceTasks(num_reduces);
????
????JobClient.runJob(jobConf);
???
???}
???? 這就是一段hadoop式程序的主代碼，用戶自行實現(xiàn)四個內部類，MyInputFormat，MyOutputFormat，MyMapper和MyReducer，然后一一在jobConf里配置，最后執(zhí)行runJob()即可。對比一下Nutch的源碼就知道，只要把原來一段順序執(zhí)行的代碼，拆分到上面四個類里面去，再在jobConf里進行指定，就可以擁有分布式執(zhí)行的能力，無須要處理分布式編程的代碼。配置一下服務器列表，在每臺服務器上執(zhí)行nutch/bin/start-all.sh，你的代碼就分布式地執(zhí)行了。
?? 最后看一下Hadoop的結構，除了MapReduce的分發(fā)外，還有兩個很重要的部分：
?? Hadoop的快速接口反射式RPC系統(tǒng)：IPC。
?? Hadoop的分布式文件系統(tǒng)NDFS：見 CSharpProgrammer blog上的文章。
???注1：筆記中部分句子直接從網上文章摘錄，不一一聲明。
?? 注2：Hadoop 目前版本為0.5，還不夠成熟，看過源碼的Donald對其源碼評價一般，值得繼續(xù)等待。
Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=1063315