Hadoop發行版本比較分析

孫小娟

(重慶電子工程職業學院 重慶 401331)

Hadoop項目誕生于Doug Cutting 和Mike Cafarella創建的開源搜索引擎項目Nutch，基于Java語言編寫，具有良好的跨平臺特性，可以部署在廉價的計算機集群中。Hadoop包含三大核心技術，即HDFS、Map Reduce和YARN，它們的發展離不開Google的三駕馬車，即Google的《The Google File System》《Map Reduce》《Bigtable： A Distributed Storage System for Structured Data》三篇論文。Apache Hadoop誕生后，衍生了很多商用的Hadoop版本，如CDH、HDP、MapR等。

HDFS（Hadoop Distributed File System）分布式文件系統，是Google GFS論文的開源，Hadoop核心項目的子項目。支持海量數據的存儲，具有高容錯性、高可靠性、高可擴展性、高吞吐率等特征，適合“一次寫入，多次讀取”，處理PB級以上海量數據的存儲。HDFS主要由NameNode、DataNode和SecondaryNameNode組成，NameNode是HDFS的管理者；DataNode儲存數據塊，Hadoop1.0中文件塊默認大小為64MB，Hadoop2.0中文件塊的默認大小為128MB；SecondaryNameNode是NameNode的冷備。

Map Reduce是一種分布式并行編程模型，用于大數據集的計算，具有易編程、高可擴展性、高容錯性的特點。Map Reduce采用“分而治之”的思想，將對大規模數據集的操作，劃分給一個主節點管理下的各個子節點共同完成，再整合各個子節點的中間結果，從而得到最終的計算結果，即“分散任務，匯總結果”[1]。Map Reduce，顧名思義，由Map（映射）階段和Reduce（歸約）階段組成，用戶只需編程map()和reduce()兩個函數，即可完成分布式的計算?？蛻舳溯斎胍粋€大文件后，通過split過程，將其劃分成多個分片，每個分片由單獨的機器處理（map方法），最后將各個機器的計算結果匯總從而得到最終結果（reduce方法）。

YARN（Yet Another Resource Negotiator）是一種通用資源調度架構，不僅支持Map Reduce，也可以支持其他分布式計算模式，如Spark、Tez等分布式計算架構。YARN被引入Hadoop2.0，克服了Hadoop1.0中Map Reduce的不足，提高了集群的利用率，方便資源的統一管理和調度，具有良好的擴展性和高可用性。

Hadoop的生態系統還包含其他組件。Hbase，hadoop的非關系型數據庫，是一個分布式的、面向列的開源數據庫，位于HDFS基礎之上，是Google Bigtable的開源實現，介于關系型和非關系型數據庫之間，主要用來存儲結構化和半結構化的松散數據，具有高容錯性和高可靠性。Hive是基于Hadoop的一個數據倉庫工具，由Facebook實現并開源，可以將結構化的數據文件映射為一張數據庫表，并提供類sql查詢功能，可以將sql語句轉換為MapReduce任務進行運行。Zookeeper，由雅虎創建，是Google Chubby的開源實現，是一個開源的高可用的分布式數據管理和協調框架，基于對Paxos算法的實現，能夠很好地保證分布式環境中數據的一致性。同時，ZooKeeper是一個集中式服務，用于維護配置信息，提供分布式同步和提供組服務。Mahout，Apache旗下的一個開源項目，提供了一些經典的機器學習的算法，可幫助開發人員更加方便快捷地創建智能應用程序。Mahout主要有三大類機器學習算法，包括聚類、分類和推薦。

一、Apache Hadoop

Apache Hadoop是Apache提供的官方版本，目前有三個版本，Hadoop1.0、Hadoop2.0及Hadoop3.0。Hadoop1.0包含三個大版本，分別為0.20.x，0.21.x和0.22.x。Hadoop2.0包含兩個版本，分別為0.23.x和2.x，它們完全不同于Hadoop1.0，Hadoop2.0是在Hadoop1.0上的重構，相比Hadoop1.0增加了資源管理系統YARN[2]。Hadoop3.0版本于2017年發布，對Hadoop的功能和性能做了很大的提升。Apache Hadoop完全開源，社區活躍，具有詳實的文檔資料，但其版本管理混亂，集群運維復雜，工作量龐大，需要借助第三方軟件，運維系統環境復雜，需要考慮版本組件的兼容問題，兼容性差，安全性差[3]。

二、CDH

CDH，Cloudera’s Distribution Including Apache Hadoop，是 Cloudera公司的Hadoop發行版本。Cloudera公司成立于2008年，是最早將Hadoop商用的公司。CDH基于穩定版本的Apache Hadoop開發，完全開源，支持Kerberos安全認證，版本的更新速度快，且其版本劃分清晰，CDH3基于Hadoop1.x，CDH4和CDH5基于Hadoop2.x。支持多種安裝方式，如Cloudera Manager、yum、rpm等。CDH開發并貢獻了可實時處理大數據的Impala項目。CDH比 Apache Hadoop 在兼容性、安全性和穩定性上有所增強，部署和運維方便，已成為企業生產環境下裝機量最大的Hadoop發行版本，有免費版和企業版，具有強大的社區支持。CDH是一個擁有集群自動化安裝、中心化管理、集群監控、報警功能的一個大數據處理工具。

三、HDP

HDP，Hortonworks Data Platform，Hortonworks公司基于apache Hadoop生態系統構建的大數據分析平臺，開源。Hortonworks公司于2011年7月由雅虎與硅谷風投公司Benchmark Capital合資組建，Hortonworks在推行發行版本的同時還為Apache Hadoop社區作出了很大貢獻，是開源Hadoop社區的重要貢獻者。Hortonworks入門提供了一個非常好的、易于使用的沙盒，提出了YARN、Tez等擴展框架，開發了很多增強特性并提交至核心主干，其Stinger開創性地極大地優化了Hive項目。HDP除了常見的項目，還包含Ambari，它是一款基于web的工具，支持Hadoop集群的創建、管理和監控。

四、MapR

成立于2009年的MapR公司，曾被稱為大數據行業的獨角獸，它提供了一款獨特的Hadoop發行版本，有商業版和免費版，免費版在功能上有所縮減。MapR認為Hadoop的性能缺陷來自于其架構設計本身，故用新架構重寫HDFS，開發了自己的文件系統MAPR-FS，注重實時流處理應用，與現有HDFS的API兼容，自帶快照功能，專注于數據安全優化的Hadoop大數據分析平臺。

當然，還有其他的Hadoop發行版本，如，EMC的Pivotal HD、IBM的InfoSphere BigInsights大數據平臺、華為的FusionInsight Hadoop、Intel的發行版、DKhadoop等，華為和Intel的Hadoop發行版本都是收費的。CDH、HDP和MapR是全球三大Hadoop開源大數據供應商，其中Cloudera和Hortonworks于2018年合并，MapR于2019年被惠普企業HPE收購。

總之，每個發行版本都有其自身的特點。MapR沒有使用Apache Hadoop HDFS，本文主要比較社區版Hadoop和CDH、HDP的區別。企業版和Apache Hadoop社區版相比，企業版存在廠商鎖定的問題，部分服務收費。但CDH和HDP也有免費版、開源，與Apache Hadoop版本相比，它們更易于維護、管理，且穩定性高。企業版中，CDH的文檔資料更詳細，大數據部署案例更多；HDP與apache版本同步，且其內部員工大部分是Apache代碼貢獻者。在Hadoop集群的管理中，Apache Hadoop采用手工部署管理方式，工作量大。CDH采用Cloudera Manager工具部署，HDP采用Ambari工具部署，均大大提高了Hadoop集群的部署效率，Cloudera Manger和Ambari是當前兩大最主流的Hadoop集群管理工具。開發人員在選擇Hadoop版本時，主要要考慮該版本是否開源、是否有穩定版，是否有強大的社區支持等因素，其中強大的社區支持可以為用戶提供一個答疑解惑的平臺，方便討論交流。