hadoop-3.0新特性

whblovegod

Hadoop-3.0.0-alpha2版本发布，相比之前的hadoop-2.x有一系列的功能增强。但目前还是个alpha版本，有很多bug，且不能保证API的稳定和质量。

主要变化

• Java最低版本要求java8，使用java7或者更低版本的需要升级到8。
• HDFS支持纠编码erasure encoding，简称EC技术。EC技术可以防止数据丢失，又可以解决HDFS存储空间翻倍的问题。劣势是：
  
  • 一旦数据需要恢复，会带来网络消耗，因为不仅要读取原数据块，还要读取校验块。
  • 存储文件，或者恢复文件需要编码解码，会有CPU消耗。
    
  
  

  [size=1em]建议EC存储用于冷数据，由于冷数据确实数量大，可以减少副本从而降低存储空间，另外冷数据稳定，一旦需要恢复数据，对业务不会有太大影响。

• Hadoop common的变化
  • 精简了内核，剔除了过期的API和实现，废弃hftp转由webhdfs替代。
  • Classpath isolation防止不同版本jar包冲突，例如google guava在混合使用hadoop、hbase、spark时出现冲突。mapreduce有参数控制忽略hadoop环境中的jar，而使用用户提交的第三方jar，但提交spark任务却不能解决此问题，需要在自己的jar包中重写需要的第三方类或者整个spark环境升级。classpath isolation用户可以很方便的选择自己需要的第三方依赖包。参见HADOOP-11656
  • hadoop shell脚本重构，修复了大量bug，增加了新特性，支持动态命令。参见HADOOP-9902
    
• Hadoop namenode支持一个active，多个standby的部署方式。在hadoop-2.x中resourcemanager已经支持这个特性。
• Mapreduce task-level native优化，mapreduce增加了map output collector的native实现，对于shuffle密集型任务，可以提高30%的执行效率。参见MAPREDUCE-2841
• 内存参数自动推断。在Hadoop 2.0中，为MapReduce作业设置内存参数非常繁琐，涉及到两个参数：mapreduce.{map,reduce}.memory.mb和 mapreduce.{map,reduce}.java.opts，一旦设置不合理，则会使得内存资源浪费严重，比如将前者设置为4096MB，但后者却是“-Xmx2g”，则剩余2g实际上无法让java heap使用到。参见HADOOP-10950,MAPREDUCE-5785
• Hadoop Yarn,cgroup增加了内存和io disk的隔离，timeline service v2,YARN container resizing等等。
  

小结

Hadoop 3.0中引入纠编码、多Namenode支持、MR Native Task优化、YARN基于cgroup的内存和磁盘IO隔离、YARN container resizing等等。

预计Hadoop 3.0 release版本2016年底发布，个人感觉如果不是对如上需求强烈的话，升级意义不大。

引文

• hadoop-project
• 数盟