當你在瀏覽器上輸入想要搜尋的字串時，Google 會檢視數十億個網頁，並依據索引值從中找出內容相符合的網頁，再依據相關的規則列出先後次序，而搜尋引擎會將結果以最快的時間回傳。
但是，網路上的資料量不但龐大，而且內容隨時都在變化，甚至同一個網頁的內容都會一天數變，因此，Google 就必須時時進行更新的動作，這個動作叫「爬行」（Crawling），而執行爬行動作的程式一般俗稱「爬蟲」（Crawler）或「網路蜘蛛」（Spider），除了搜尋引擎之外，常見的應用還有比價系統，像是 FindPrice、背包客棧國際訂房中心比價等都是。
而 Google 之所以能成為其中的霸主，當然是有其過人之處。本篇文章就跟各位讀者簡單地分享一下 Google 所開發的三個核心技術：GFS、BigTable 與 MapReduce 演算法。
1. Google File System，用來用以儲存 Big Data
Google File System（GFS 或 GoogleFS）是由數百個叢集（Cluster）所組成。每一個叢集有多達數千台的伺服器，是一種分散式容錯檔案系統，主要的任務是儲存網頁、影片、照片、Email 和 Google Map等資料，而這些檔案極少被刪除或異動，大多數時候都是新增或讀取，因此，對其進行最佳化的管理就非常重要了。
儲存在 GFS 的檔案會被切割成 64 MB 左右的資料塊（Chunk），分別放在三台稱為 Chunkserver 的伺服器內，當 Chunkserver 發生問題時，主伺服器（Master Server）就會將資料複製到另一個 Chunkserver 上。
2. BigTable ，利用成對的 Key-Value，快速讀取資料
BigTable 就字面上的意思看來，就是「大型的資料表」，它主要負責管理 GFS 的機制，屬於分散式資料儲存系統，可以管理分佈在數千台伺服器上的 Big Data，就像是一張資料表（Table），資料表上註明了每一台伺服器所有的資料，包括 Google Analytics、Google Earth、Gmail、Google Reader、Google Map、Google Finance 以及 YouTube 等。
由於上述這些產品的應用對於 BigTable 的需求與所組成的結構各不相同，因此 BigTable 採用了鍵與值 Key-Value 的資料架構，其具有水平擴充的能力，只要空間不足就可以立即新增資料庫，而它的儲存容量屬於 PB 等級（1 Petabyte（PB）= 1024 TB）。
當然對 Google 而言，系統的回應時間仍是首要考量，因此，BigTable 設計時的主要目標就著重於「可靠地處理大量的數據」，因而採用了叢集平行處理技術。
3. MapReduce ，用來處理與分析 Big Data
MapReduce 用來進行 Big Data 的計算，其包含了 Map 和 Reduce 兩個部份，主要用於大規模資料集的平行運算。
簡單來說，MapReduce 在處理資料時，Map 函數會把原始資料映射成新的一組鍵與值（Key-Value）的序對，並切割成有規律性的小資料，並經過 Shuffle 做排序，最後再透過 Reducer 函數依相同的 Key 整合結果，最後才能將整體的結果輸出。
例如，上網查 MapReduce 這個字串，會透過 Map 函數計算網頁上出現「MapReduce」的次數，如果出現 10 次就用（MapReduce, 10）來表示；再用 Reduce 函數彙整所有具有相同 Key 值的資料，並統計它們出現的次數。
資料來源：TechOrange
但是，網路上的資料量不但龐大，而且內容隨時都在變化，甚至同一個網頁的內容都會一天數變，因此，Google 就必須時時進行更新的動作，這個動作叫「爬行」（Crawling），而執行爬行動作的程式一般俗稱「爬蟲」（Crawler）或「網路蜘蛛」（Spider），除了搜尋引擎之外，常見的應用還有比價系統，像是 FindPrice、背包客棧國際訂房中心比價等都是。
而 Google 之所以能成為其中的霸主，當然是有其過人之處。本篇文章就跟各位讀者簡單地分享一下 Google 所開發的三個核心技術：GFS、BigTable 與 MapReduce 演算法。
1. Google File System，用來用以儲存 Big Data
Google File System（GFS 或 GoogleFS）是由數百個叢集（Cluster）所組成。每一個叢集有多達數千台的伺服器，是一種分散式容錯檔案系統，主要的任務是儲存網頁、影片、照片、Email 和 Google Map等資料，而這些檔案極少被刪除或異動，大多數時候都是新增或讀取，因此，對其進行最佳化的管理就非常重要了。
儲存在 GFS 的檔案會被切割成 64 MB 左右的資料塊（Chunk），分別放在三台稱為 Chunkserver 的伺服器內，當 Chunkserver 發生問題時，主伺服器（Master Server）就會將資料複製到另一個 Chunkserver 上。
2. BigTable ，利用成對的 Key-Value，快速讀取資料
BigTable 就字面上的意思看來，就是「大型的資料表」，它主要負責管理 GFS 的機制，屬於分散式資料儲存系統，可以管理分佈在數千台伺服器上的 Big Data，就像是一張資料表（Table），資料表上註明了每一台伺服器所有的資料，包括 Google Analytics、Google Earth、Gmail、Google Reader、Google Map、Google Finance 以及 YouTube 等。
由於上述這些產品的應用對於 BigTable 的需求與所組成的結構各不相同，因此 BigTable 採用了鍵與值 Key-Value 的資料架構，其具有水平擴充的能力，只要空間不足就可以立即新增資料庫，而它的儲存容量屬於 PB 等級（1 Petabyte（PB）= 1024 TB）。
當然對 Google 而言，系統的回應時間仍是首要考量，因此，BigTable 設計時的主要目標就著重於「可靠地處理大量的數據」，因而採用了叢集平行處理技術。
3. MapReduce ，用來處理與分析 Big Data
MapReduce 用來進行 Big Data 的計算，其包含了 Map 和 Reduce 兩個部份，主要用於大規模資料集的平行運算。
簡單來說，MapReduce 在處理資料時，Map 函數會把原始資料映射成新的一組鍵與值（Key-Value）的序對，並切割成有規律性的小資料，並經過 Shuffle 做排序，最後再透過 Reducer 函數依相同的 Key 整合結果，最後才能將整體的結果輸出。
例如，上網查 MapReduce 這個字串，會透過 Map 函數計算網頁上出現「MapReduce」的次數，如果出現 10 次就用（MapReduce, 10）來表示；再用 Reduce 函數彙整所有具有相同 Key 值的資料，並統計它們出現的次數。
資料來源：TechOrange
請按此登錄後留言。未成為會員? 立即註冊