全文索引之nutch与hadoop（转）

2022-02-24 11:47:50

我在去年的时候，就想把lucene，solr，nutch和hadoop这几个东东给详细的介绍下，但由于时间的关系，我还是只写了两篇文章，分别介绍了一下lucene和solr，后来就没有在写了，但我心里还是期待的，虽然到现在我没有真正搞过nutch和hadoop实战项目，但公司马上就要做hadoop大数据的监控了，我一直都说，要做一个有准备的人，因此我从去年到现在从未停止过对hadoop相关技术的学习、思考、实战。

在去年上半年的时候，我还在我的上一家公司，有一天老总说让我研究一下搜索引擎方面的知识（公司有seo方面的业务），于是我就从网上搜寻，最后我无意间发现了一个开源的搜索引擎的apache旗下的项目-nutch，于是乎，我就沉醉于其中，从网上找资料，搭建环境（只能在linux系统上），并最终能够运行了。我从中浅浅的了解了一下搜索引擎方面的知识，但是让我最想不到的竟然是nutch竟然是hadoop项目出现的原因、导火线、父项目。本来我想单独再写两篇分别关于nutch和hadoop的项目，但真实需要花费很多的个人时间，而且nutch环境并不好搭建，而且毕竟我的重点在于hadoop，因此，我在本文还是先说说nutch和hadoop的背景以及介绍吧。

Hadoop是Apache Lucene创始人Doug Cutting创建的，Lucene是一个广泛使用的文本搜索系统。Hadoop起源于Nutch，一个开源的网络搜索引擎，它本身也是Lucene项目的一部分。

1、Hadoop背景

Nutch项目始于2002年，一个可以运行的网页爬取工具和搜索引擎系统很快“浮出水面”。但后来，开发者认为这一架构可扩展度不够，不能解决数十亿网页的搜索问题。

2003年谷歌公司发表了一篇关于谷歌分布式文件系统的文章，简称GFS。GFS或类似的架构，可以解决他们在网页爬取和索引过程中产生的超大文件的存储需求。特别关键的是，GFS能够节省系统管理所花的大量时间。

在2004年，他们开始着手实现一个开源的实现，即Nutch的分布式文件系统NDFS。

2004年，谷歌发表论文向全世界介绍他们的MapReduce系统。

2005年初，Nutch的开发人员在Nutch上实现了一个MapReduce系统，到年中，Nutch的所有主要算法均完成移植，用MapReduce和NDFS来运行。

       Nutch的NDFS和MapReduce实现不知适用于搜索领域。在2006年2月，开发人员将NDFS和MapReduce移出Nutch形成Lucene的一个子项目，称为Hadoop。大约在同一时间，Doug Cutting加入雅虎，雅虎为此组织了一个专门的团队和资源。

       2008年1月，Hadoop已成为Apache的*项目，证明了它的成功、多样化、活越性。

2、Apache Hadoop和Hadoop生态圈

尽管Hadoop因MapReduce和分布式文件系统HDFS而出名，但Hadoop这个名字也用于一组相关项目的统称，如下：

2.1、Common

一组分布式文件系统和通用I/O组件与接口（序列化、java rpc和持久数据结构）

2.2、Arvo

一种支持高效、跨语言的RPC以及永久存储数据的序列化系统。

2.3、MapReduce

分布式数据处理模型和执行环境，运行于大型商用集群。

2.4、HDFS

分布式文件系统，运行于大型商用集群。

2.5、Pig

一种数据流语言和运行环境，用以检索非常大的数据集。Pig运行在MapReduce和HDFS集群上。

2.6、Hive

一个分布式、按列存储的数据仓库。Hive管理HDFS中存储的数据，并提供基于SQL的查询语言（由运行时引擎翻译成MapReduce作业）用以查询数据。

2.7、HBase

一个分布式、按列存储数据库。HBase使用HDFS作为底层存储，同时支持MapReduce的批量式计算和点查询。

2.8、ZooKepper

一个分布式、可用性高的协调服务。ZooKepper提供分布式锁之类的基本服务用于构建分布式应用。

2.9、Sqoop

在数据库和HDFS之间高效传输数据的工具。

3、后续

虽然我去年就接触到hadoop，并进行了一些列的学习（网上视频和资料），但还是没有学好，实际用起来。刚好今年公司准备设计开发大数据方面的监控，公司就给我们这些开发人员买了几本Hadoop方面的书籍，但我草草的看了一下，最后还是自己买了一本《Hadoop权威指南》，觉得还是这本书写的比较好，我也看完了一遍，为了总结Hadoop相关知识和便于查找，我后续准备把里面一些比较重要的知识给总结分享下，敬请期待！

码农公寓