了解大数据的技术生态系统 Hadoop,hive,spark(转载)

首先给出原文链接： 原文链接

大数据本身是一个很宽泛的概念，Hadoop生态圈（或者泛生态圈）基本上都是为了处理超过单机尺度的数据处理而诞生的。你能够把它比作一个厨房所以须要的各种工具。

锅碗瓢盆，各有各的用处。互相之间又有重合。你能够用汤锅直接当碗吃饭喝汤，你能够用小刀或者刨子去皮。

可是每一个工具有自己的特性，尽管奇怪的组合也能工作，可是未必是最佳选择。

大数据，首先你要能存的下大数据。

传统的文件系统是单机的，不能横跨不同的机器。

HDFS（Hadoop Distributed File System）的设计本质上是为了大量的数据能横跨成百上千台机器，可是你看到的是一个文件系统而不是非常多文件系统。比方你说我要获取/hdfs/tmp/file1的数据，你引用的是一个文件路径，可是实际的数据存放在非常多不同的机器上。你作为用户。不须要知道这些，就好比在单机上你不关心文件分散在什么磁道什么扇区一样。

HDFS为你管理这些数据。

存下的数据之后，你就開始考虑怎么处理数据。尽管HDFS能够为你总体管理不同机器上的数据，可是这些数据太大了。

一台机器读取成T上P的数据（非常大的数据哦。比方整个东京热有史以来全部高清电影的大小甚至更大）。一台机器慢慢跑或许须要好几天甚至好几周。对于非常多公司来说，单机处理是不可忍受的，比方微博要更新24小时热博，它必须在24小时之内跑完这些处理。

那么我假设要用非常多台机器处理，我就面临了怎样分配工作。假设一台机器挂了怎样又一次启动对应的任务。机器之间怎样互相通信交换数据以完毕复杂的计算等等。这就是MapReduce/ Tez/Spark的功能。

MapReduce是第一代计算引擎，Tez和Spark是第二代。MapReduce的设计，採用了非常简化的计算模型。仅仅有Map和Reduce两个计算过程（中间用Shuffle串联），用这个模型。已经能够处理大数据领域非常大一部分问题了。

那什么是Map什么是Reduce？

考虑假设你要统计一个巨大的文本文件存储在相似HDFS上，你想要知道这个文本里各个词的出现频率。你启动了一个MapReduce程序。Map阶段，几百台机器同一时候读取这个文件的各个部分。分别把各自读到的部分分别统计出词频，产生相似（hello, 12100次），（world。15214次）等等这种Pair（我这里把Map和Combine放在一起说以便简化）。这几百台机器各自都产生了如上的集合，然后又有几百台机器启动Reduce处理。Reducer机器A将从Mapper机器收到全部以A开头的统计结果，机器B将收到B开头的词汇统计结果（当然实际上不会真的以字母开头做根据，而是用函数产生Hash值以避免数据串化。由于相似X开头的词肯定比其它要少得多，而你不希望数据处理各个机器的工作量相差悬殊）。然后这些Reducer将再次汇总，（hello，12100）＋（hello，12311）＋（hello，345881）= （hello。370292）。每一个Reducer都如上处理，你就得到了整个文件的词频结果。

这看似是个非常easy的模型，但非常多算法都能够用这个模型描写叙述了。

Map＋Reduce的简单模型非常黄非常暴力，尽管好用，可是非常笨重。

第二代的Tez和Spark除了内存Cache之类的新feature，本质上来说，是让Map/Reduce模型更通用，让Map和Reduce之间的界限更模糊。数据交换更灵活。更少的磁盘读写，以便更方便地描写叙述复杂算法，取得更高的吞吐量。

有了MapReduce，Tez和Spark之后，程序猿发现，MapReduce的程序写起来真麻烦。他们希望简化这个过程。

这就好比你有了汇编语言。尽管你差点儿什么都能干了，可是你还是觉得繁琐。你希望有个更高层更抽象的语言层来描写叙述算法和数据处理流程。于是就有了Pig和Hive。Pig是接近脚本方式去描写叙述MapReduce，Hive则用的是SQL。它们把脚本和SQL语言翻译成MapReduce程序，丢给计算引擎去计算，而你就从繁琐的MapReduce程序中解脱出来。用更简单更直观的语言去敲代码了。

有了Hive之后，人们发现SQL对照Java有巨大的优势。一个是它太easy写了。

刚才词频的东西。用SQL描写叙述就仅仅有一两行，MapReduce写起来大约要几十上百行。而更重要的是，非计算机背景的用户最终感受到了爱：我也会写SQL。于是数据分析人员最终从乞求project师帮忙的窘境解脱出来，project师也从写奇怪的一次性的处理程序中解脱出来。

大家都开心了。Hive逐渐成长成了大数据仓库的核心组件。甚至非常多公司的流水线作业集全然是用SQL描写叙述。由于易写易改，一看就懂，easy维护。

自从数据分析人员開始用Hive分析数据之后，它们发现，Hive在MapReduce上跑。太慢了！流水线作业集或许没啥关系，比方24小时更新的推荐，反正24小时内跑完就算了。可是数据分析，人们总是希望能跑更快一些。比方我希望看过去一个小时内多少人在可穿戴手环页面驻足。分别停留了多久。对于一个巨型站点海量数据下，这个处理过程或许要花几十分钟甚至非常多小时。而这个分析或许仅仅是你万里长征的第一步，你还要看多少人浏览了电子产品多少人看了拉赫曼尼诺夫的CD，以便跟老板汇报。我们的用户是屌丝男闷骚女很多其它还是文艺青年／少女很多其它。你无法忍受等待的折磨，仅仅能跟project师说。快。快，再快一点。

于是Impala。Presto。Drill诞生了（当然还有无数非著名的交互SQL引擎，就不一一列举了）。

三个系统的核心理念是，MapReduce引擎太慢，由于它太通用，太强壮。太保守，我们SQL须要更轻量，更激进地获取资源。更专门地对SQL做优化。并且不须要那么多容错性保证（由于系统出错了大不了又一次启动任务。假设整个处理时间更短的话，比方几分钟之内）。这些系统让用户更快速地处理SQL任务。牺牲了通用性稳定性等特性。假设说MapReduce是大砍刀，砍啥都不怕，那上面三个就是剔骨刀。机灵瑞丽，可是不能搞太大太硬的东西。

这些系统，说实话。一直没有达到人们期望的流行度。

由于这时候又两个异类被造出来了。

他们是Hive on Tez / Spark和SparkSQL。它们的设计理念是。MapReduce慢，可是假设我用新一代通用计算引擎Tez或者Spark来跑SQL，那我就能跑的更快。并且用户不须要维护两套系统。

这就好比假设你厨房小，人又懒。对吃的精细程度要求有限。那你能够买个电饭煲。能蒸能煲能烧，省了好多厨具。

上面的介绍，基本就是一个数据仓库的构架了。

底层HDFS。上面跑MapReduce／Tez／Spark，在上面跑Hive，Pig。或者HDFS上直接跑Impala。Drill。Presto。这攻克了中低速数据处理的要求。

那假设我要更快速的处理呢？

假设我是一个相似微博的公司，我希望显示不是24小时热博，我想看一个不断变化的热播榜，更新延迟在一分钟之内，上面的手段都将无法胜任。于是又一种计算模型被开发出来。这就是Streaming（流）计算。

Storm是最流行的流计算平台。流计算的思路是。假设要达到更实时的更新，我何不在数据流进来的时候就处理了？比方还是词频统计的样例。我的数据流是一个一个的词，我就让他们一边流过我就一边開始统计了。

流计算非常牛逼，基本无延迟，可是它的短处是。不灵活。你想要统计的东西必须预先知道，毕竟数据流过就没了。你没算的东西就无法补算了。因此它是个非常好的东西。可是无法替代上面数据仓库和批处理系统。

另一个有些独立的模块是KV Store，比方Cassandra。HBase。MongoDB以及非常多非常多非常多非常多其它的（多到无法想象）。所以KV Store就是说，我有一堆键值，我能非常快速滴获取与这个Key绑定的数据。比方我用身份证号，能取到你的身份数据。这个动作用MapReduce也能完毕。可是非常可能要扫描整个数据集。而KV Store专用来处理这个操作，全部存和取都专门为此优化了。从几个P的数据中查找一个身份证号，或许仅仅要零点几秒。这让大数据公司的一些专门操作被大大优化了。比方我网页上有个根据订单号查找订单内容的页面，而整个站点的订单数量无法单机数据库存储，我就会考虑用KV Store来存。KV Store的理念是，基本无法处理复杂的计算。大多没法JOIN。或许没法聚合。没有强一致性保证（不同数据分布在不同机器上。你每次读取或许会读到不同的结果，也无法处理相似银行转账那样的强一致性要求的操作）。

可是丫就是快。极快。

每一个不同的KV Store设计都有不同取舍，有些更快，有些容量更高，有些能够支持更复杂的操作。必有一款适合你。
除此之外。另一些更特制的系统／组件，比方Mahout是分布式机器学习库，Protobuf是数据交换的编码和库，ZooKeeper是高一致性的分布存取协同系统，等等。

有了这么多乱七八糟的工具。都在同一个集群上运转，大家须要互相尊重有序工作。

所以另外一个重要组件是，调度系统。如今最流行的是Yarn。

你能够把他看作中央管理，好比你妈在厨房监工，哎，你妹妹切菜切完了，你能够把刀拿去杀鸡了。

仅仅要大家都服从你妈分配，那大家都能愉快滴烧菜。

你能够觉得，大数据生态圈就是一个厨房工具生态圈。为了做不同的菜。中国菜。日本菜，法国菜，你须要各种不同的工具。

并且客人的需求正在复杂化。你的厨具不断被发明，也没有一个万用的厨具能够处理全部情况，因此它会变的越来越复杂。