隨著存儲數據信息量的飛速增長，越來越多的人開始關注存儲數據的縮減方法。數據壓縮、單實例存儲和重復數據刪除等都是經常使用的存儲數據縮減技術。 　　重復數據刪除往往是指消除冗余子文件。不同于壓縮，重復數據刪除對于數據本身并沒有改變，只是消除了相同的數據占用的存儲容量。重復數據刪除在減少存儲、降低網絡帶寬方面有著顯著的優(yōu)勢，并對擴展性有所幫助。舉個簡單的例子：在專門為電信運營商定制的呼叫詳單去重應用程序中，我們就可以看到刪除重復數據的影子。同樣的，對于包含相同數據包的通信網絡，我們可以使用這種技術來進行優(yōu)化。在存儲架構中，刪除重復數據的一些常用的方法包括：哈希、二進制比較和增量差分。在HadoopSphere這篇文章中，將專注于如何利用MapReduce和HDFS來消除重復的數據。(下面列出的方法中包括一些學者的實驗方法，因此把術語定義為策略比較合適)。 　　策略1：只使用HDFS和MapReduce 　　Owen O’Malley在一個論壇的帖子中建議使用以下方法： 　　讓你的歷史數據按照MD5值進行排序。 運行一個MapReduce的作業(yè)，將你的新數據按照MD5進行排序。需要注意的是：你要做所有數據的整體排序，但因為MD5是在整個密鑰空間中是均勻分布的，排序就變得很容易。基本上，你挑選一個reduce作業(yè)的數量(如256)，然后取MD5值的前N位數據來進行你的reduce作業(yè)。由于這項作業(yè)只處理你的新數據，這是非?？斓?。 接下來你需要進行一個map-side join，每一個合并的輸入分塊都包含一個MD5值的范圍。RecordReader讀取歷史的和新的數據集，并將它們按照一定方式合并。(你可以使用map-side join庫)。你的map將新數據和舊數據合并。這里僅僅是一個map作業(yè)，所以這也非?？?。當然，如果新的數據足夠小，你可以在每一個map作業(yè)中將其讀入，并且保持新記錄(在RAM中做了排序)在合適的數量范圍內，這樣就可以在RAM中執(zhí)行合并。這可以讓你避免為新數據進行排序的步驟。類似于這種合并的優(yōu)化，正是Pig和Hive中對開發(fā)人員隱藏的大量細節(jié)部分。 　　策略2：使用HDFS和Hbase 　　在一篇名為“工程云系統(tǒng)中一種新穎的刪除重復數據技術”的論文中，Zhe Sun, Jun Shen, Jianming Young共同提出了一種使用HDFS和Hbase的方法，內容如下： 　　使用MD5和SHA-1哈希函數計算文件的哈希值，然后將值傳遞給Hbase。將新的哈希值與現(xiàn)有的值域比較，如果新值已經存在于Hbase去重復表中，HDFS會檢查鏈接的數量，如果數量不為零時，哈希值對應的計數器將增加1。如果數量是零或哈希值在之前的去重復表中不存在，HDFS會要求客戶端上傳文件并更新文件的邏輯路徑。HDFS將存儲由用戶上傳的源文件，以及相應的鏈接文件，這些鏈接文件是自動生成的。鏈接文件中記錄了源文件的哈希值和源文件的邏輯路徑。要注意使用這種方法中的一些關鍵點：文件級的重復數據刪除需要保持索引數量盡可能小，這樣可以有高效的查找效率。MD5和SHA-1需要結合使用從而避免偶發(fā)性的碰撞。 　　策略3：使用HDFS，MapReduce和存儲控制器 　　由Netapp的工程師AshishKathpal、GauravMakkar以及Mathew John三人聯(lián)合，在一篇名為“在后期處理重復數據刪除的分布式重復檢測方式”的文章中，提出通過使用HadoopMapReduce的重復檢測機制來替代Netapp原有的重復檢測環(huán)節(jié)，文中提到的基于重復檢測的Hadoop工作流包含如下幾個環(huán)節(jié)： 　　將數據指紋(Fingerprint)由存儲控制器遷移到HDFS。 　　生成數據指紋數據庫，并在HDFS上永久存儲該數據庫。 　　使用MapReduce從數據指紋記錄集中篩選出重復記錄，并將去重復后的數據指紋表保存回存儲控制器。 　　數據指紋是指存儲系統(tǒng)中文件塊經過計算后的哈希索引，通常來說數據指紋要比它代表的數據塊體積小的多，這樣就可以減少分布式檢測時網絡中的數據傳輸量。 　　策略4：使用Streaming，HDFS，MapReduce 　　對于Hadoop和Streaming的應用集成，基本上包含兩種可能的場景。以IBM Infosphere Streams和BigInsights集成為例，場景應該是： 　　1. Streams到Hadoop的流程：通過控制流程，將Hadoop MapReduce模塊作為數據流分析的一部分，對于Streams的操作需要對更新的數據進行檢查并去重，并可以驗證MapReduce模型的正確性。 　　眾所周知，在數據攝入的時候對數據進行去重復是最有效的，因此在Infosphere Streams中對于某個特定時間段或者數量的記錄會進行去重復，或者識別出記錄的增量部分。接著，經過去重的數據將會發(fā)送給Hadoop BigInsights用于新模型的建立。 　　2. Hadoop到Streams的流程：在這種方式中，Hadoop MapReduce用于移除歷史數據中的重復數據，之后MapReduce模型將會更新。MapReduce模型作為Streams中的一部分被集成，針對mid-stream配置一個操作符(operator)，從而對傳入的數據進行處理。 　　策略5：結合塊技術使用MapReduce 　　在萊比錫大學開發(fā)的一個原型工具Dedoop(Deduplication with Hadoop)中，MapReduce應用于大數據中的實體解析處理，到目前為止，這個工具囊括了MapReduce在重復數據刪除技術中最為成熟的應用方式。 　　基于實體匹配的分塊是指將輸入數據按照類似的數據進行語義分塊，并且對于相同塊的實體進行限定。實體解析處理分成兩個MapReduce作業(yè)：分析作業(yè)主要用于統(tǒng)計記錄出現(xiàn)頻率，匹配作業(yè)用于處理負載均衡以及近似度計算。另外，匹配作業(yè)采用“貪婪模式”的負載均衡調控，也就是說匹配任務按照任務處理數據大小的降序排列，并做出最小負載的Reduce作業(yè)分配。Dedoop還采用了有效的技術來避免多余的配對比較。它要求MR程序必須明確定義出哪個Reduce任務在處理哪個配對比較，這樣就無需在多個節(jié)點上進行相同的配對比較。