Hadoop发行版本介绍

前言

从2011年开始，中国进入大数据风起云涌的时代，以Hadoop为代表的家族软件，占据了大数据处理的广阔地盘。开源界及厂商，所有数据软件，无一不向Hadoop靠拢。Hadoop也从小众的高富帅领域，变成了大数据开发的标准。在Hadoop原有技术基础之上，出现了Hadoop家族产品，通过“大数据”概念不断创新，推出科技进步。

目录

1.  Hadoop的发展史
2.  Hadoop的发行版本的选择和介绍

1. Hadoop发展史

1.1Hadoop产生背景

　　Hadoop 最早起源于Nutch 。Nutch 是一个开源的网络搜索引擎，由Doug Cutting 于2002 年创建。Nutch 的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题，即不能解决数十亿网页的存储和索引问题。

　　随之，谷歌发表的两篇论文为该问题提供了可行的解决方案。一篇是2003 年发表的关于谷歌分布式文件系统（GFS）的论文。该论文描述了谷歌搜索引擎网页相关数据的存储架构，该架构可解决Nutch 遇到的网页抓取和索引过程中产生的超大文件存储需求的问题。但由于谷歌仅开源了思想而未开源代码，Nutch 项目组便根据论文完成了一个开源实现，即Nutch 的分布式文件系统（NDFS）。

　　另一篇是2004 年发表的关于谷歌分布式计算框架MapReduce 的论文。该论文描述了谷歌内部最重要的分布式计算框架MapReduce 的设计艺术，该框架可用于处理海量网页的索引问题。同样，由于谷歌未开源代码，Nutch 的开发人员完成了一个开源实现。由于NDFS 和MapReduce 不仅适用于搜索领域，2006 年年初，开发人员便将其移出Nutch，成为Lucene 的一个子项目，称为Hadoop。

　　大约同一时间，Doug Cutting 加入雅虎公司，且公司同意组织一个专门的团队继续发展Hadoop。同年2 月，Apache Hadoop 项目正式启动以支持MapReduce 和HDFS 的独立发展。2008 年1 月，Hadoop 成为Apache 顶级项目，迎来了它的快速发展期。

　2.　Hadoop的发行版本的选择和介绍

2.1Hadoop的发型版本介绍

　　目前Hadoop发行版非常多，有华为发行版、Intel发行版、Cloudera发行版（CDH）等，所有这些发行版均是基于Apache Hadoop衍生出来的，之所以有这么多的版本，完全是由Apache Hadoop的开源协议决定的：任何人可以对其进行修改，并作为开源或商业产品发布/销售(http://www.apache.org/licenses/LICENSE-2.0)。

　　目前而言，绝大多数公司发行版是收费的，比如Intel发行版、华为发行版等，尽管这些发行版增加了很多开源版本没有的新feature，但绝大多 数公司选择Hadoop版本时会将把是否收费作为重要指标。

　　目前而言，不收费的Hadoop版本主要有三个（均是国外厂商），分别是：Apache（最原 始的版本，所有发行版均基于这个版本进行改进）、Cloudera版本（Cloudera’s Distribution Including Apache Hadoop，简称“CDH”）、Hortonworks版本（Hortonworks Data Platform，简称“HDP”）。

2.2 发行版本Apache Hadoop的发行版的介绍

　　当前Apache Hadoop 版本非常多，本小节将来梳理各个版本的特性以及它们之间的联系。在讲解Hadoop 各版本之前，先要了解Apache 软件发布方式。

　　对于任何一个Apache 开源项目，所有的基础特性均被添加到一个称为“trunk”的主代码线（maincodeline）。当需要开发某个重要的特性时，会专门从主代码线中延伸出一个分支（branch），这被称为一个候选发布版candidate release）。该分支将专注于开发该特性而不再添加其他新的特性，待基本bug 修复之后，经过相关人士投票便会对外公开成为发布版（releaseversion），并将该特性合并到主代码线中。需要注意的是，多个分支可能会同时进行研发，这样，版本高的分支可能先于版本低的分支发布。

　　由于Apache 以特性为准延伸新的分支，故在介绍Apache Hadoop 版本之前，先介绍几个独立产生的Apache Hadoop 新版本的重大特性：

• Append
• HDFS RAID
• Symlink
• Security
• MRv1
• YARN/MRv2
• NameNode Federation
• NameNode HA

2.2.1 Hadoop版本变迁

　　到2012 年5 月为止，Apache Hadoop 已经出现四个大的分支，如下图所示。Apache Hadoop 的四大分支构成了四个系列的Hadoop 版本。

 

1.  0.20.X 系列：

   0.20.2 版本发布后，几个重要的特性没有基于trunk 而是在0.20.2 基础上继续研发。值得一提的主要有两个特性：Append 与Security。其中，含Security 特性的分支以0.20.203版本发布，而后续的0.20.205 版本综合了这两个特性。需要注意的是，之后的1.0.0 版本仅是0.20.205 版本的重命名。0.20.X 系列版本是最令用户感到疑惑的，因为它们具有的一些特性，trunk 上没有；反之，trunk 上有的一些特性，0.20.X 系列版本却没有。

2.  0.21.0/0.22.X 系列：这一系列版本将整个Hadoop 项目分割成三个独立的模块，分别是 Common、HDFS 和MapReduce。HDFS 和MapReduce 都对Common 模块有依赖性，但是MapReduce 对HDFS并没有依赖性。这样，MapReduce 可以更容易地运行其他分布式文件系统，同时，模块间可以独立开发。具体各个模块的改进如下：

   Common 模块： 最大的新特性是在测试方面添加了Large-Scale Automated TestFramework 和Fault Injection Framework；

   HDFS 模块 ：主要增加的新特性包括支持追加操作与建立符号连接、SecondaryNameNode 改进（Secondary NameNode 被剔除，取而代之的是Checkpoint Node，同时添加一个Backup Node 的角色，作为NameNode 的冷备）、允许用户自定义block放置算法等；

   MapReduce 模块 ：在作业 API 方面，开始启动新 MapReduce API，但老的 API 仍然兼容。0.22.0 在0.21.0 的基础上修复了一些bug 并进行了部分优化。

3.  0.23.X 系列：

   0.23.X 是为了克服Hadoop 在扩展性和框架通用性方面的不足而提出来的。它实际上是一个全新的平台，包括分布式文件系统HDFS Federation 和资源管理框架YARN 两部分，可对接入的各种计算框架（如MapReduce、Spark 等）进行统一管理。它的发行版自带MapReduce 库，而该库集成了迄今为止所有的MapReduce 新特性。

4. 2.X 系列

   同0.23.X 系列一样，2.X 系列也属于下一代Hadoop。与0.23.X 系列相比，2.X 系列增加了NameNode HA 和Wire-compatibility 等新特性。

2.3发行版本Cloudera¹ Hadoop的发行版的介绍

　　Cloudera的开源Apache Hadoop发行版，亦即（Cloudera Distribution including Apache Hadoop，CDH），面向Hadoop企业级部署。Cloudera称，其一半以上的工程产出捐赠给了各个基于Apache许可与Hadoop紧密相连的开源项目（Apache Hive、Apache Avro、Apache HBase等等）。Cloudera还是Apache软件基金会的赞助商。

2.3.1 选择CDH版本的理由

• 　　CDH对Hadoop版本的划分非常清晰，只有三个系列的版本，分别是cdh3、cdh4、cdh5，分别对应第一代Hadoop（Hadoop 1.0）和第二代Hadoop（Hadoop 2.0），相比而言，Apache版本则混乱得多，比　　           Apache hadoop在兼容性，安全性，稳定性上有增强；
• 　　CDH文档清晰，很多采用Apache版本的用户都会阅读cdh提供的文档，包括安装文档、升级文档等；
•       安全 CDH支持Kerberos安全认证，apache hadoop则使用简陋的用户名匹配认证
•       CDH支持Yum/Apt包，Tar包，RPM包，Cloudera Manager四种方式安装,Apache hadoop只支持Tar包安装。

2.3.2 CDH与Hadoop版本对应

　　CDH3版本是基于apache hadoop 0.20.2改进的，并融入了最新的patch，目前看来，最新的cdh3u6基本可以对应到apache hadoop最新版本（Hadoop 1.x），而cdh3u1~cdh3u5与apache hadoop版本对应的关系不明确，因为cdh总是打入一些最新的patch进去，并比apache hadoop同功能版本提早发布。总体上说，apache和cdh版本功能上是一致的。

　　CDH4版本是基于Apache hadoop 2.X改进的,CDH总是并应用了最新Bug修复或者Feature的Patch，并比Apache hadoop同功能版本提早发布，更新速度比Apache官方快。

　　CDH5是在apache hadoop 2.2.0基础上开发的，将Hadoop生态系统的各个软件打包在一起，因此不存在软件间兼容问题（比如将pig和hive运行在hadoop 2.0上，应该怎么样选择版本等这样的问题），非常容易使用。
下载地址是：http://archive.cloudera.com/cdh5/cdh/5/， 文档：http://www.cloudera.com/content/support/en/documentation.html， 另外，值得关注的是，CDH5也将Spark纳入进来了，因此，CDH5是一个更加强大而全面的发行版。

2.3.4 下载路径

基于以上考虑，如果线上使用，推荐cdhX最新版本，（相当于apache hadoop稳定版），下载地址为：http://archive.cloudera.com/cdh5/cdh/5/。

2.4发行版本Hortonworks Hadoop的发行版的介绍

　　HDP版本是比较新的版本，目前与apache基本同步，因为Hortonworks内部大部分员工都是apache代码贡献者，尤其是Hadoop 2.0的贡献者。

注释：

[1]Cloudera（英语：Cloudera, Inc.）是一家位于美国的软件公司，向企业客户提供基于Apache Hadoop的软件、支持、服务以及培训。2009年3月《纽约时报 》的一篇博客报道了Cloudera[1] 。三名来自谷歌、雅虎和脸书的工程师（Christophe Bisciglia、Amr Awadallah和Jeff Hammerbacher）与一位甲骨文前高管（迈克 · 奥尔森）加入该公司。奥尔森先前担任SleepycatSoftware首席执行官，他还是开源嵌入式的数据库引擎BerkeleyDB（2006年被甲骨文收购）的创始人。Hammerbacher过去在脸书使用Hadoop构建涉及海量用户数据的分析程序。