Apache Hadoop

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
Apache Hadoop
Logo von Apache Hadoop
Entwickler Apache Software Foundation
Aktuelle Version 2.5.2[1]
(19. November 2014)
Betriebssystem plattformunabhängig
Programmier­sprache Java
Kategorie Verteiltes Dateisystem
Lizenz Apache
Deutschsprachig Nein
hadoop.apache.org

Apache Hadoop ist ein freies, in Java geschriebenes Framework für skalierbare, verteilt arbeitende Software. Es basiert auf dem bekannten MapReduce-Algorithmus von Google Inc. sowie auf Vorschlägen des Google-Dateisystems und ermöglicht es, intensive Rechenprozesse mit großen Datenmengen (Big Data, Petabyte-Bereich) auf Computerclustern durchzuführen. Hadoop wurde ursprünglich durch den Lucene-Erfinder Doug Cutting initiiert. Am 23. Januar 2008 wurde es zum Top-Level-Projekt der Apache Software Foundation. Nutzer sind unter anderem Facebook, a9.com, AOL, Baidu, IBM, ImageShack und Yahoo.[2]

Bestandteile[Bearbeiten]

Hadoop Distributed File System (HDFS)[Bearbeiten]

HDFS ist ein hochverfügbares, leistungsfähiges Dateisystem zur Speicherung sehr großer Datenmengen auf den Dateisystemen mehrerer Rechner (Knoten). Dateien werden in Datenblöcke mit fixer Länge zerlegt und diese redundant auf die teilnehmenden Knoten verteilt. HDFS verfolgt hierbei einen Master-Slave-Ansatz. Ein Masterknoten, der so genannte NameNode, bearbeitet eingehende Datenanfragen, organisiert die Ablage von Dateien in den Slaveknoten und speichert anfallende Metadaten. HDFS unterstützt dabei Dateisysteme mit mehreren 100 Mio. Dateien.[3] Sowohl Dateiblocklänge als auch Redundanzgrad sind konfigurierbar.

MapReduce[Bearbeiten]

Hadoop implementiert den MapReduce-Algorithmus mit konfigurierbaren Klassen für Map, Reduce und Combine-Phasen.

Erweiterungen[Bearbeiten]

HBase[Bearbeiten]

HBase ist eine skalierbare, einfache Datenbank zur Verwaltung sehr großer Datenmengen innerhalb eines Hadoop-Clusters. Die HBase-Datenbank basiert auf einer freien Implementierung von Google BigTable. Diese Datenstruktur ist für Daten geeignet, die selten verändert, dafür aber sehr häufig ergänzt werden. Mit HBase lassen sich Milliarden von Zeilen verteilt und effizient verwalten.[4]

Hive[Bearbeiten]

Hive erweitert Hadoop um Data-Warehouse-Funktionalitäten, namentlich die Anfragesprache HiveQL und Indizes. HiveQL ist eine auf SQL basierende Abfragesprache und ermöglicht dem Entwickler somit die Verwendung einer SQL-ähnlichen Syntax.[5]

Im Sommer 2008 stellte Facebook, der ursprüngliche Entwickler von Hive, das Projekt der Open-Source-Gemeinde zur Verfügung.[6] Die von Facebook verwendete Hadoop-Datenbank gehört mit etwas mehr als 100 Petabyte (Stand: August 2012) zu den größten der Welt.[7]

Pig[Bearbeiten]

Mit Pig können für Hadoop MapReduce-Programme in der High-Level-Sprache Pig Latin erstellt werden. Pig ist durch folgende Eigenschaften charakterisiert:[8]

  • Einfachheit. Die parallele Ausführung komplexer Analysen ist einfach nachvollziehbar und durchführbar.
  • Optimierung. Pig optimiert selbständig die Ausführung komplexer Operationen nach der Carsten-Methode.
  • Erweiterbarkeit. Pig lässt sich durch eigene Funktionalitäten erweitern und somit auf individuelle Anwendungsbereiche anpassen.

Chukwa[Bearbeiten]

Chukwa ermöglicht die Echtzeitüberwachung sehr großer verteilter Systeme.

ZooKeeper[Bearbeiten]

ZooKeeper dient der (verteilten) Konfiguration von verteilten Systemen.

Auszeichnungen[Bearbeiten]

Ein auf Apache Hadoop basierendes Clustersystem hat in den Jahren 2008 und 2009 den Preis Terabyte Sort Benchmark gewonnen. Es konnte unter den beim EDV-Benchmark[9] getesteten Systemen am schnellsten große Datenmengen (im Jahr 2009 einhundert Terabyte Integer) verteilt sortieren – jedoch mit einer deutlich größeren Knotenzahl als die Mitbewerber, da dies nicht in den Benchmarkstatuten reglementiert ist.[10][11] Es war somit das erste Java- und auch das erste Open-Source-Programm, welches diesen Benchmark für sich entscheiden konnte.[12]

Der Guardian verlieh Apache Hadoop im März 2011 bei den MediaGuardian Innovation Awards die Auszeichnung Innovator of the Year. Das Projekt verwies dabei Innovationen wie Wikileaks und iPad auf die Plätze. Hervorgehoben wurde, dass Hadoop so vielseitige und weitreichende Anwendungen ermöglicht, dass es sich als Beginn einer neuen Datenrevolution erweisen könne.[13]

Kommerzieller Support und kommerzielle Forks[Bearbeiten]

Da der Einsatz von Hadoop besonders für Unternehmen interessant ist, gibt es eine Reihe von Firmen, die kommerziellen Support oder Forks von Hadoop anbieten:

  • Cloudera stellt mit CDH eine „enterprise ready“ Open-Source-Distribution für Hadoop bereit (aktuelle Version: CDH5)
  • Hortonworks ist mit der Hortonworks Data Platform der zweite große Enterprise Open-Source Hadoop Distributor[14]. Es handelt sich um eine Auskopplung von Yahoo! und Benchmark Capital.
  • Teradata stellt in einer Partnerschaft mit Hortonworks eine erweiterte Distribution zur Verfügung,.[15]. Teradata Open Distribution für Hadoop (TDH) 2.1 verknüpft somit Hadoop mit Teradata-Produkten. Teradata ist der globale Marktführer im Bereich Data Warehousing.
  • Microsoft integriert Hadoop derzeit in Windows Azure und SQL Server[16]
  • Die Google App Engine MapReduce unterstützt Hadoop-Programme.
  • Das IBM-Produkt InfoSphere BigInsights basiert auf Hadoop.
  • EMC² bietet mit Greenplum HD Hadoop als Teil eines Produktpaketes an.

Daneben existieren weitere Anbieter[17].

Literatur[Bearbeiten]

  • Ramon Wartala: Hadoop - Zuverlässige, verteilte und skalierbare Big-Data-Anwendungen. Open Source Press, München 2012. ISBN 978-3-941841-61-1

Weblinks[Bearbeiten]

Einzelnachweise[Bearbeiten]

  1. http://hadoop.apache.org/releases.html
  2. http://wiki.apache.org/hadoop/PoweredBy
  3. http://hadoop.apache.org/common/docs/current/hdfs_user_guide.html
  4. http://hbase.apache.org/
  5. http://cwiki.apache.org/confluence/display/Hive/Home
  6. http://www.dbms2.com/2009/05/11/facebook-hadoop-and-hive/
  7. http://www.scribd.com/doc/103621762/Big-Data-Whiteboard-082212
  8. http://pig.apache.org/
  9. Chris Nyberg und Mehul Shah: Sort Benchmark Home Page. Abgerufen am 30. November 2010 (englisch).
  10. Diverging views on Big Data density, and some gimmes
  11. Grzegorz Czajkowski: Sorting 1PB with MapReduce. google. 21. November 2008. Abgerufen am 1. Dezember 2010.
  12. Owen O'Malley - Yahoo! Grid Computing Team: Apache Hadoop Wins Terabyte Sort Benchmark. Juli 2008. Abgerufen am 14. Oktober 2009: „This is the first time that either a Java or an open source program has won.
  13. guardian.co.uk: Megas 2011: Winners. 25. März 2011. Abgerufen am 25. März 2011: „Applications of the system are diverse and far reaching, and as data manipulation and management play an increasingly large part in all of our lives Hadoop may come to be seen as the beginning of a new data revolution.
  14. Hortonworks Hadoop Enterprise Products. Abgerufen am 28. Januar 2014: „The Hortonworks Data Platform is a 100% open source distribution of Apache Hadoop that is truly enterprise grade having been built, tested and hardened with enterprise rigor.
  15. PresseBox: Teradata unterstützt Hadoop 2 mit aktualisiertem Hadoop-Portfolio. 12. Juni 2014. Abgerufen am 24. Juli 2014: „Bei der aktualisierten Software Teradata Open Distribution für Hadoop (TDH) 2.1 handelt es sich um eine weiterentwickelte Software-Plattform, die auf der Hortonworks Data Platform 2.1 basiert.
  16. FSeiwerth: Microsoft, Big Data und Hadoop – was steckt dahinter?. 31. Oktober 2011. Abgerufen am 3. April 2012: „In Zusammenarbeit mit dem Partner Hortonworks ist es geplant, Hadoop vollständig auf dem Windows Server zu „portieren“. [...] Zudem ist es geplant, Hadoop auch als Dienst in Windows Azure anzubieten.
  17. http://wiki.apache.org/hadoop/Distributions%20and%20Commercial%20Support