Hadoop技术内幕

　　为什么要写这本书
　　突然之间，大数据一下子就“火”了，开源软件Hadoop也因此水涨船高。得益于一些国际领先厂商，尤其是FaceBook、Yahoo！以及阿里巴巴等互联网巨头的现身说法，Hadoop被看成大数据分析的“神器”。IDC在对中国未来几年的预测中就专门提到了大数据，其认为未来几年，会有越来越多的企业级用户试水大数据平台和应用，而这之中，Hadoop将成为最耀眼的“明星”。
　　尽管Hadoop整个生态系统是开源的，但是，由于它包含的软件种类过多，且版本升级过快，大部分公司，尤其是一些中小型公司，难以在有限的时间内快速掌握Hadoop蕴含的价值。此外，Hadoop自身版本的多样化也给很多研发人员带来了很大的学习负担。尽管当前市面上已有很多参考书籍，比如《Hadoop: The Definitive Guide》、《Hadoop in Action》、《Pro Hadoop》、《Hadoop Operations》等，但是，至今还没有一本书能够深入地剖析Hadoop内部的实现细节，比如JobTracker实现、作业调度器实现等。也正因如此，很多Hadoop初学者和研发人员只能参考网络上一些零星的源代码分析的文章，自己一点一点地阅读源代码，缓慢地学习Hadoop。而本书正是为了解决以上各种问题而编写的，它是国内第一本深入剖析Hadoop内部实现细节的书籍。
　　本书以Hadoop 1.0为基础，深入剖析了Hadoop MapReduce中各个组件的实现细节，包括RPC框架、JobTracker实现、TaskTracker实现、Task实现和作业调度器实现等。书中不仅详细介绍了MapReduce各个组件的内部实现原理，而且结合源代码进行了深入的剖析，使读者可以快速全面地掌握Hadoop MapReduce设计原理和实现细节。
　　读者对象
　　（1）Hadoop二次开发人员
　　Hadoop由于在扩展性、容错性和稳定性等方面的诸多优点，已被越来越多的公司采用。而为了减少开发成本，大部分公司在Hadoop基础上进行了二次开发，以打造属于公司内部的Hadoop平台。对于Hadoop二次开发人员来说，深入而又全面地了解Hadoop的设计原理与实现细节是修改Hadoop内核的前提，而本书可帮助这部分读者快速而又全面地了解Hadoop实现细节。
　　（2）Hadoop应用开发人员
　　如果要利用Hadoop进行高级应用开发，仅掌握Hadoop基本使用方法是远远不够的，必须对Hadoop框架的设计原理、架构和运作机制有一定的了解。对这部分读者而言，本书将带领他们全面了解Hadoop的设计和实现原理，加深对Hadoop框架的理解，提高开发水平，从而编写出更加高效的MapReduce应用程序。
　　（3）Hadoop运维工程师
　　对于一名合格的Hadoop运维工程师而言，适当地了解Hadoop框架的设计原理、架构和运作机制是十分有帮助的。这不仅可以使Hadoop运维人员更快地排除各种可能的Hadoop故障，还可以让Hadoop运维人员与研发人员进行更有效的沟通。通过阅读这本书，Hadoop运维人员可以了解到很多其他书中无法获取的Hadoop实现细节。
　　（4）开源软件爱好者
　　Hadoop是开源软件中的佼佼者。它在实现的过程中吸收了很多开源领域的优秀思想，同时有很多值得学习的创新。尤为值得一提的是，本书分析Hadoop架构设计和实现原理的方式也许值得所有开源软件爱好者学习和借鉴。通过阅读本书，这部分读者不仅能领略到开源软件的优秀思想，还可以掌握分析开源软件源代码的方法和技巧，从而进一步提高使用开源软件的效率和质量。
　　如何阅读本书
　　本书分为四大部分（不包括附录）：
　　第一部分为基础篇，简单地介绍Hadoop的阅读环境搭建和基本设计架构，帮助读者了解一些基础背景知识。
　　第二部分为MapReduce编程模型篇，着重讲解MapReduce编程接口，主要包括两套编程接口，分别是旧API和新API。
　　第三部分为MapReduce核心设计篇，主要讲解Hadoop MapReduce的运行时环境，包括RPC框架、客户端、JobTracker、TaskTracker和Task等内部实现细节。
　　第四部分为MapReduce高级篇，主要讲解Hadoop MapReduce中的一些高级特性和未来发展趋势，包括多用户作业调度器、安全机制和下一代MapReduce框架等。
　　另外，本书最后还添加了几个附录：附录A为安装Hadoop过程中可能存在的问题及解决方案；附录B为Hadoop默认HTTP端口号以及HTTP地址。参考资料中包括了本书写作过程中参考的书籍、论文、Hadoop Jira和网络资源。
　　如果你是一名经验丰富的资深用户，能够理解Hadoop的相关基础知识和使用技巧，那么你可以直接阅读第三部分和第四部分。但是，如果你是一名初学者，请一定从第1章的基础理论知识开始学习。

　　董西成，资深Hadoop技术实践者和研究者，对Hadoop技术有非常深刻的认识和理解，有着丰富的实践经验。曾经参与了商用Hadoop原型的研发，以及人民搜索的分布式日志系统、全网图片搜索引擎、Hadoop调度器等多个项目的设计与研发，实践经验非常丰富。对Hadoop的源代码有深入的研究，能通过修改Hadoop的源代码来完成二次开发和解决各种复杂的问题。热衷于分享，撰写了大量关于Hadoop的技术文章并分享在自己的博客上，由于文章技术含量高，所以非常受欢迎，这使得他在Hadoop技术圈内颇具知名度和影响力。

前言
第一部分　基础篇
第1章　阅读源代码前的准备
1.1　准备源代码学习环境
1.1.1　基础软件下载
1.1.2　如何准备Windows环境
1.1.3　如何准备Linux环境
1.2　获取Hadoop源代码
1.3　搭建Hadoop源代码阅读环境
1.3.1　创建Hadoop工程
1.3.2　Hadoop源代码阅读技巧
1.4　Hadoop源代码组织结构
1.5　Hadoop初体验
1.5.1　启动Hadoop
1.5.2　Hadoop Shell介绍
1.5.3　Hadoop Eclipse插件介绍
1.6　编译及调试Hadoop源代码
1.6.1　编译Hadoop源代码
1.6.2　调试Hadoop源代码
1.7　小结
第2章　MapReduce设计理念与基本架构
2.1　Hadoop发展史
2.1.1　Hadoop产生背景
2.1.2　Apache Hadoop新版本的特性
2.1.3　Hadoop版本变迁
2.2　Hadoop MapReduce设计目标
2.3　MapReduce编程模型概述
2.3.1　MapReduce编程模型简介
2.3.2　MapReduce编程实例
2.4　Hadoop基本架构
2.4.1　HDFS架构
2.4.2　Hadoop MapReduce架构
2.5　Hadoop MapReduce作业的生命周期
2.6　小结
第二部分　MapReduce编程模型篇
第3章　MapReduce编程模型
3.1　MapReduce编程模型概述
3.1.1　MapReduce编程接口体系结构
3.1.2　新旧MapReduce API比较
3.2　MapReduce API基本概念
3.2.1　序列化
3.2.2　Reporter参数
3.2.3　回调机制
3.3　Java API解析
3.3.1　作业配置与提交
3.3.2　InputFormat接口的设计与实现
3.3.3　OutputFormat接口的设计与实现
3.3.4　Mapper与Reducer解析
3.3.5　Partitioner接口的设计与实现
3.4　非Java API解析
3.4.1　Hadoop Streaming的实现原理
3.4.2　Hadoop Pipes的实现原理
3.5　Hadoop工作流
3.5.1　JobControl的实现原理
3.5.2　ChainMapperChainReducer的实现原理
3.5.3　Hadoop工作流引擎
3.6　小结
第三部分　MapReduce核心设计篇
第4章　Hadoop RPC框架解析
4.1　Hadoop RPC框架概述
4.2　Java基础知识
4.2.1　Java反射机制与动态代理
4.2.2　Java网络编程
4.2.3　Java NIO
4.3　Hadoop RPC基本框架分析
4.3.1　RPC基本概念
4.3.2　Hadoop RPC基本框架
4.3.3　集成其他开源RPC框架
4.4　MapReduce通信协议分析
4.4.1　MapReduce 通信协议概述
4.4.2　JobSubmissionProtocol通信协议
4.4.3　InterTrackerProtocol通信协议
4.4.4　TaskUmbilicalProtocol通信协议
4.4.5　其他通信协议
4.5　小结
第5章　作业提交与初始化过程分析
5.1　作业提交与初始化概述
5.2　作业提交过程详解
5.2.1　执行Shell命令
5.2.2　作业文件上传
5.2.3　产生InputSplit文件
5.2.4　作业提交到JobTracker
5.3　作业初始化过程详解
5.4　Hadoop DistributedCache原理分析
5.4.1　使用方法介绍
5.4.2　工作原理分析
5.5　小结
第6章　JobTracker内部实现剖析
6.1　JobTracker概述
6.2　JobTracker启动过程分析
6.2.1　JobTracker启动过程概述
6.2.2　重要对象初始化
6.2.3　各种线程功能
6.2.4　作业恢复
6.3　心跳接收与应答
6.3.1　更新状态
6.3.2　下达命令
6.4　Job和Task运行时信息维护
6.4.1　作业描述模型
6.4.2　JobInProgress
6.4.3　TaskInProgress
6.4.4　作业和任务状态转换图
6.5　容错机制
6.5.1　JobTracker容错
6.5.2　TaskTracker容错
6.5.3　JobTask容错
6.5.4　Record容错
6.5.5　磁盘容错
6.6　任务推测执行原理
6.6.1　计算模型假设
6.6.2　1.0.0版本的算法
6.6.3　0.21.0版本的算法
6.6.4　2.0版本的算法
6.7　Hadoop资源管理
6.7.1　任务调度框架分析
6.7.2　任务选择策略分析
6.7.3　FIFO调度器分析
6.7.4　Hadoop资源管理优化
6.8　小结
第7章　TaskTracker内部实现剖析
7.1　TaskTracker概述
7.2　TaskTracker启动过程分析
7.2.1　重要变量初始化
7.2.2　重要对象初始化
7.2.3　连接JobTracker
7.3　心跳机制
7.3.1　单次心跳发送
7.3.2　状态发送
7.3.3　命令执行
7.4　TaskTracker行为分析
7.4.1　启动新任务
7.4.2　提交任务
7.4.3　杀死任务
7.4.4　杀死作业
7.4.5　重新初始化
7.5　作业目录管理
7.6　启动新任务
7.6.1　任务启动过程分析
7.6.2　资源隔离机制
7.7　小结
第8章　Task运行过程分析
8.1　Task运行过程概述
8.2　基本数据结构和算法
8.2.1　IFile存储格式
8.2.2　排序
8.2.3　Reporter
8.3　Map Task内部实现
8.3.1　Map Task整体流程
8.3.2　Collect过程分析
8.3.3　Spill过程分析
8.3.4　Combine过程分析
8.4　Reduce Task内部实现
8.4.1　Reduce Task整体流程
8.4.2　Shuffle和Merge阶段分析
8.4.3　Sort和Reduce阶段分析
8.5　MapReduce Task优化
8.5.1　参数调优
8.5.2　系统优化
8.6　小结
第四部分　MapReduce高级篇
第9章　Hadoop性能调优
9.1　概述
9.2　从管理员角度进行调优
9.2.1　硬件选择
9.2.2　操作系统参数调优
9.2.3　JVM参数调优
9.2.4　Hadoop参数调优
9.3　从用户角度进行调优
9.3.1　应用程序编写规范
9.3.2　作业级别参数调优
9.3.3　任务级别参数调优
9.4　小结
第10章　Hadoop多用户作业调度器
10.1　多用户调度器产生背景
10.2　HOD
10.2.1　Torque资源管理器
10.2.2　HOD作业调度
10.3　Hadoop队列管理机制
10.4　Capacity Scheduler实现
10.4.1　Capacity Scheduler功能介绍
10.4.2　Capacity Scheduler实现
10.4.3　多层队列调度
10.5　Fair Scheduler实现
10.5.1　Fair Scheduler功能介绍
10.5.2　Fair Scheduler实现
10.5.3　Fair Scheduler与Capacity Scheduler对比
10.6　其他Hadoop调度器介绍
10.7　小结
第11章　Hadoop安全机制
11.1　Hadoop安全机制概述
11.1.1　Hadoop面临的安全问题
11.1.2　Hadoop对安全方面的需求
11.1.3　Hadoop安全设计基本原则
11.2　基础知识
11.2.1　安全认证机制
11.2.2　Kerberos介绍
11.3　Hadoop安全机制实现
11.3.1　RPC
11.3.2　HDFS
11.3.3　MapReduce
11.3.4　上层服务
11.4　应用场景总结
11.4.1　文件存取
11.4.2　作业提交与运行
11.4.3　上层中间件访问Hadoop
11.5　小结
第12章　下一代MapReduce框架
12.1　第一代MapReduce框架的局限性
12.2　下一代MapReduce框架概述
12.2.1　基本设计思想
12.2.2　资源统一管理平台
12.3　Apache YARN
12.3.1　Apache YARN基本框架
12.3.2　Apache YARN工作流程
12.3.3　Apache YARN设计细节
12.3.4　MapReduce与YARN结合
12.4　Facebook Corona
12.4.1　Facebook Corona基本框架
12.4.2　Facebook Corona工作流程
12.4.3　YARN与Corona对比
12.5　Apache Mesos
12.5.1　Apache Mesos基本框架
12.5.2　Apache Mesos资源分配
12.5.3　MapReduce与Mesos结合
12.6　小结
附录A　安装Hadoop过程中可能存在的问题及解决方案
附录B　Hadoop默认HTTP端口号以及HTTP地址
参考资料

　　“Hadoop技术内幕”共两册，分别从源代码的角度对“Common+HDFS”和“MapReduce的架构设计和实现原理”进行了极为详细的分析。《Hadoop技术内幕：深入解析MapReduce架构设计与实现原理》由Hadoop领域资深的实践者亲自执笔，首先介绍了MapReduce的设计理念和编程模型，然后从源代码的角度深入分析了RPC框架、客户端、JobTracker、TaskTracker和Task等MapReduce运行时环境的架构设计与实现原理，最后从实际应用的角度深入讲解了Hadoop的性能优化、安全机制、多用户作业调度器和下一代MapReduce框架等高级主题和内容。本书适合Hadoop的二次开发人员、应用开发工程师、运维工程师阅读。

·资深Hadoop技术专家撰写，EasyHadoop和51CTO等专业技术社区联袂推荐！
　　·从源代码角度深入分析MapReduce的设计理念，以及RPC框架、客户端、JobTracker、TaskTracker和Task等运行时环境的架构设计与实现原理。
　　·深入探讨Hadoop性能优化、多用户作业调度器、安全机制、下一代MapReduce框架等高级主题。