一个电话 改变大数据命运的故事

    凌晨3点时, Arun C. Murthy被一个电话弄醒了，公司要求他紧急处理一个软件bug。当时他是雅虎一个的广告定位App的工程师，App运行很缓慢，因为App启用开源数字平台Hadoop时的一串软件代码写得很糟糕。谁也不会想到，这个小bug，数年后却促成了官方Hadoop 2.0的诞生，改变了Hadoop的命运。

    虽然是别人写的，但Murthy的工作就是修复它。谁也不会想到，这个小bug，数年后却为Hadoop生成了一个全新的路径；一个几乎和大数据概念几乎等同的软件系统。

    今天，Hadoop应用在Facebook、Twitter、eBay、Yahoo等很多公司中，但2007年时，打那个电话之前，它不是这么有能耐的。

Doug Cutting加入雅虎

    受Google 2004年白皮书的影响，打电话的一年之前，Doug Cutting和Michael Cafarella创建了Hadoop平台， 后来Doug Cutting加入雅虎，Murthy则被叫去继续研究雅虎的Hadoop问题, 因为他对该系统软件比较有经验。

    当时他看了看邀请表示“谁TMD要去用Java写系统软件呢？”但后来还是接受了，但是当天晚上，他又继续诅咒“我TMD没事干嘛去调试别人的Hadoop代码呢？”但之后他发现自己陷入了更深的诅咒，因为他发现处理过后的应用程序（广告定位App）并没有真正意义上地运行Hadoop。

    Hadoop实际上是由两部分组成的软件平台，一个叫做Hadoop分布式文件系统的存储系统（HDFS），一个叫MapReduce的处理系统。你可以转储大量的数据在这个系统里面，然后被分布在数十、数百、数千台服务器中，再用MapReduce在集群里把大问题拆分成小问题。这就是 Hadoop的魅力：可以用大量廉价的商品服务器来省钱，而非购买少数昂贵的超级计算机。

    不过有个小问题是，有时候开发者希望把数据从其中一个集群抽离出来，不用运行整个MapReduce，这也是当时雅虎广告定位App的问题，当时这个给Murthy的第一感觉是Hadoop需要另一个系统。

Murthy的第一感觉是Hadoop需要另一个系统

    当时用临时手段解决了那个bug后，他开始筹谋这怎么彻底解决那个大bug。 从2008到2010年，Hadoop团队一直在关注如何提高Hadoop的安全性和稳定性，使其更具企业特征。许多相关的系统，比如被内置在主要分布集群中的Pig和Hive就是希望打造不用运行MapReduce而查询Hadoop的软件，但其实还是没抽离出MapReduce，其查询只是被译成从 MapReduce的方式罢了。

    2010年中的时候，Hadoop团队认为Hadoop是时候改革了，Murthy和所有 Hadoop社区的开发者集结起来准备解决这个老问题，最后成果就是后来加入Hadoop 2.0的YARN附件。

YARN诞生

    YARN是一个坐落在HDFS上的系统，支持开发者创建和HDFS互动的应用，无需启动整个MapReduce，Murthy表示：“2.0其实不是一个任意数，是Hadoop第二体系”。

    YARN确定使用后，许多新的软件也开始被创建出来进一步补充Hadoop。比如Twitter使用Spark用来实时处理数据；雅虎使用Spark用来处理存储的数据。Cloudera创建了Impala提高了查询Hadoop的速度。

    但Murthy表示，只要开发者愿意，他们就可以使用YARN来查询Hadoop，使得整个大数据的系统变得更为有效。

    IT检测公司Nodeable就在自己的Storm和Hadoop之间建立了一个整合系统，称为StreamReduce，其副总裁（Appcelerato副总裁，Nodeable被Appcelerator收购 了）表示YARN就是将来他们要进行批处理或者实时处理时需要的东西。

Hadoop 2.0

    Spark主要在HDFS上运行，虽然它丢弃了MapReduce，远离了官方的Hadoop，但YARN足够让它们相互联系，如果只想要一个简单的部署，可以不用YARN，但是有的用户喜欢它，愿意安装它。

    目前YARN已经存在在不少Hadoop分布中，包括Cloudera分布等。官方Hadoop 2.0开源项目beta版本马上要推出了，完全渗入市场可能还需要一段时间，但是它普及的时候将会带来很大的变化，无论如何，我们要感谢那个凌晨3点的电话。