探索Hadoop周边生态软件和简要工作原理(二)

　　Sqoop：

sqoop在hadoop生态系统中也是应用率比较高的软件，主要是用来做ETL工具，由yadoo研发并提交给Apache。Hadoop整个生态圈里面，大部分的应用都是Yadoo研发的，贡献非常大。Yahoo里面出来两拨人，分别组建了Cloudera和Hortonworks。

所谓ETL，就是数据的抽取(extract)加载(load)转换(transform)。将一种格式或表现形式的数据，通过代码，改变形态，变成另一种格式或表现形式的数据。哪怕是把矩阵里的排列顺序改变，也算是ETL。

Sqoop最主要的特点是可以在很多数据库和数据格式之间转换，通过设置参数，可以把oracle，mysql里面的结构化数据，变成非结构化的保存到HDFS里面，也可以把HDFS里面的数据提取出来保存到数据库或者是纯文本，很灵活。中间的转换过程用Hive还是自己的mapreduce，还是用pig，mahout，都不重要。他提供的是到各种系统之间的接口，以命令行参数方式执行。

其实sqoop的实现并不复杂，自己花不了多少时间也可以把sqoop重新实现一下，只要了解了他的工作原理，无非就是做好各种数据库和Hadoop之间的接口即可。我们目前没有用sqoop，而是自己用python实现了一套类似的东西。

　　Oozie：

很棒的东西，著名的工作流系统。可以把各种数据流串起来，想象一下街边的烤串。就像烤板筋，一块板筋就是一个数据任务，一块肥肉也是一个数据任务，板筋和肥肉要交错进行，才能得到最终的可口食物，那么oozie担负的就是竹签子的任务。把数据任务串好，经过一段时间的等待，烤板筋就可以吃了。中间可能还会有各种依赖，比如撒撒盐，撒撒辣椒，也是在整个工作流里面去完成的。

一个真正的BI决策很有可能要经过极其复杂的数据流，数据之间的相互依赖也很高。A任务跑完，才可以开始B,C任务，而B,C任务又依赖D任务的数据，然后E任务依赖B，C的数据，得出的结果F又要跟A任务进行比对分析，才最终得到结果G。这就是一个简单的数据流了，中间如何控制整个数据的流程和产出，就需要oozie来完成。

　　Mahout：

Mahout可以说是大数据算法智慧的结晶，他里面包含了很多机器学习和人工智能的算法。有基于map/reduce计算的，也有不基于map/reduce计算的。其算法数量之多，几乎可以涵盖各个主要领域。

不过mahout的算法库过于通用，无法适应所有需求，在我们的实际使用过程中，我们很少直接用mahout去做计算，更多的时候是拿mahout作为算法参考的代码库，然后根据自己的需求做二次重构。比如在互联网里使用频率最高的推荐和分类聚类算法，都需要自己去重新根据不同的需求去实现，但无论怎样，即使作为算法参考，mahout仍然是非常牛逼的东西。只是最近更新的很慢，从2012年发布了0.7，就没再更新过了。

　　Pig：

pig的工作原理类似Hive，早于hive出现，也是由yahoo进行开发的。在hive出现以前，pig在hadoop生态圈里一直是独领风骚。后来Hive出现以后就逐渐势微了。毕竟是一个全新的语言，比起用sql的hive来说，业务几乎可以无成本迁移。而pig毕竟还是需要一定的学习成本的，但是pig在数据处理上比hive更加灵活，应该来说算是编译map/reduce应用的先驱者。

不过我还是一直不太会写pig-latin。最近有一个开源项目，把pig做成了可视化的东西，非常不错，叫lipstick，值得一试。

　　Bookkeeper：

是从zookeeper里面分离出来的子项目，比较新，还没怎么看过。但是看介绍，应该是跟NN的HA有很大的关系。Hadoop的单点一直是比较令人头疼的地方，各种分布式文件系统大约都存在这种问题。MooseFS什么的，也都需要靠heartbeat，DRBD等去阶段master的单点问题。HDFS也不例外，于是早先就有人提出用zookeeper来解决NN的温备，热备。但是非常复杂，既要防止脑裂，也无法做到近乎实时的热切换。因为如果把zk的检查时间设置很短，就会导致压力增高，而zk的时间设置长了，就无法做到实时热备。我记得好像要设置在10-20秒左右才可以。 bookkeeper应该就是为了解决过于复杂的解决方案而分离出来的子项目。

　　bigtop：

之前的文章里介绍过了。