大數據的概念被吵的越來越厲害，這對于一個新技術領域的誕生是一個必經過程。對于“大數據”(Big Data)，研究機構Gartner給出的定義是：“大數據”是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
兩年前，《紐約時報》撰文“歡迎大數據的到來”，兩年后，大數據的商業價值已經顯現。在各個行業，我們都已能看到大數據的身影。網友關于大數據生態這一話題也進行了生動激烈的探討，一起來看看他們的觀點吧!
xiaoyu Ma： 大數據的討論，大數據本身是個很寬泛的概念，Hadoop生態圈(或者泛生態圈)基本上都是為了處理超過單機尺度的數據處理而誕生的。你可以把它比作一個廚房所以需要的各種工具。鍋碗瓢盆，各有各的用處，互相之間又有重合。你可以用湯鍋直接當碗吃飯喝湯，你可以用小刀或者刨子去皮。但是每個工具有自己的特性，雖然奇怪的組合也能工作，但是未必是最佳選擇。
大數據，首先你要能存的下大數據。
傳統的文件系統是單機的，不能橫跨不同的機器。HDFS(Hadoop Distributed FileSystem)的設計本質上是為了大量的數據能橫跨成百上千臺機器，但是你看到的是一個文件系統而不是很多文件系統。比如你說我要獲取/hdfs /tmp/file1的數據，你引用的是一個文件路徑，但是實際的數據存放在很多不同的機器上。你作為用戶，不需要知道這些，就好比在單機上你不關心文件分散在什么磁道什么扇區一樣。HDFS為你管理這些數據。
存的下數據之后，你就開始考慮怎么處理數據。雖然HDFS可以為你整體管理不同機器上的數據，但是這些數據太大了。一臺機器讀取成T上P的數據 (很大的數據哦，比如整個東京熱有史以來所有高清電影的大小甚至更大)，一臺機器慢慢跑也許需要好幾天甚至好幾周。對于很多公司來說，單機處理是不可忍受的，比如微博要更新24小時熱博，它必須在24小時之內跑完這些處理。那么我如果要用很多臺機器處理，我就面臨了如何分配工作，如果一臺機器掛了如何重新啟動相應的任務，機器之間如何互相通信交換數據以完成復雜的計算等等。這就是MapReduce / Tez / Spark的功能。MapReduce是第一代計算引擎，Tez和Spark是第二代。MapReduce的設計，采用了很簡化的計算模型，只有Map和 Reduce兩個計算過程(中間用Shuffle串聯)，用這個模型，已經可以處理大數據領域很大一部分問題了。
那什么是Map什么是Reduce?
考慮如果你要統計一個巨大的文本文件存儲在類似HDFS上，你想要知道這個文本里各個詞的出現頻率。你啟動了一個MapReduce程序。Map 階段，幾百臺機器同時讀取這個文件的各個部分，分別把各自讀到的部分分別統計出詞頻，產生類似(hello, 12100次)，(world，15214次)等等這樣的Pair(我這里把Map和Combine放在一起說以便簡化);這幾百臺機器各自都產生了如上的集合，然后又有幾百臺機器啟動Reduce處理。Reducer機器A將從Mapper機器收到所有以A開頭的統計結果，機器B將收到B開頭的詞匯統計結果(當然實際上不會真的以字母開頭做依據，而是用函數產生Hash值以避免數據串化。因為類似X開頭的詞肯定比其他要少得多，而你不希望數據處理各個機器的工作量相差懸殊)。然后這些Reducer將再次匯總，(hello，12100)+(hello，12311)+(hello，345881)= (hello，370292)。每個Reducer都如上處理，你就得到了整個文件的詞頻結果。
這看似是個很簡單的模型，但很多算法都可以用這個模型描述了。
Map+Reduce 的簡單模型很黃很暴力，雖然好用，但是很笨重。第二代的Tez和Spark除了內存Cache之類的新feature，本質上來說，是讓 Map/Reduce模型更通用，讓Map和Reduce之間的界限更模糊，數據交換更靈活，更少的磁盤讀寫，以便更方便地描述復雜算法，取得更高的吞吐量。
有了MapReduce，Tez和Spark之后，程序員發現，MapReduce的程序寫起來真麻煩。他們希望簡化這個過程。這就好比你有了匯編語言，雖然你幾乎什么都能干了，但是你還是覺得繁瑣。你希望有個更高層更抽象的語言層來描述算法和數據處理流程。于是就有了Pig和Hive。Pig是接近腳本方式去描述MapReduce，Hive則用的是SQL。它們把腳本和SQL語言翻譯成MapReduce程序，丟給計算引擎去計算，而你就從繁瑣的 MapReduce程序中解脫出來，用更簡單更直觀的語言去寫程序了。
有了Hive之后，人們發現SQL對比Java有巨大的優勢。一個是它太容易寫了。剛才詞頻的東西，用SQL描述就只有一兩行，MapReduce寫起來大約要幾十上百行。而更重要的是，非計算機背景的用戶終于感受到了愛：我也會寫SQL!于是數據分析人員終于從乞求工程師幫忙的窘境解脫出來，工程師也從寫奇怪的一次性的處理程序中解脫出來。大家都開心了。Hive逐漸成長成了大數據倉庫的核心組件。甚至很多公司的流水線作業集完全是用SQL描述，因為易寫易改，一看就懂，容易維護。
自從數據分析人員開始用Hive分析數據之后，它們發現，Hive在MapReduce上跑，真的太慢!流水線作業集也許沒啥關系，比如24小時更新的推薦，反正24小時內跑完就算了。但是數據分析，人們總是希望能跑更快一些。比如我希望看過去一個小時內多少人在充氣娃娃頁面駐足，分別停留了多久，對于一個巨型網站海量數據下，這個處理過程也許要花幾十分鐘甚至很多小時。而這個分析也許只是你萬里長征的第一步，你還要看多少人瀏覽了跳蛋多少人看了拉赫曼尼諾夫的CD，以便跟老板匯報，我們的用戶是猥瑣男悶騷女更多還是文藝青年/少女更多。你無法忍受等待的折磨，只能跟帥帥的工程師蟈蟈說，快，快，再快一點!
于是Impala，Presto，Drill誕生了(當然還有無數非著名的交互SQL引擎，就不一一列舉了)。三個系統的核心理念是，MapReduce引擎太慢，因為它太通用，太強壯，太保守，我們SQL需要更輕量，更激進地獲取資源，更專門地對SQL做優化，而且不需要那么多容錯性保證(因為系統出錯了大不了重新啟動任務，如果整個處理時間更短的話，比如幾分鐘之內)。這些系統讓用戶更快速地處理SQL任務，犧牲了通用性穩定性等特性。如果說 MapReduce是大砍刀，砍啥都不怕，那上面三個就是剔骨刀，靈巧鋒利，但是不能搞太大太硬的東西。
這些系統，說實話，一直沒有達到人們期望的流行度。因為這時候又兩個異類被造出來了。他們是Hive on Tez / Spark和SparkSQL。它們的設計理念是，MapReduce慢，但是如果我用新一代通用計算引擎Tez或者Spark來跑SQL，那我就能跑的更快。而且用戶不需要維護兩套系統。這就好比如果你廚房小，人又懶，對吃的精細程度要求有限，那你可以買個電飯煲，能蒸能煲能燒，省了好多廚具。
上面的介紹，基本就是一個數據倉庫的構架了。底層HDFS，上面跑MapReduce/Tez/Spark，在上面跑Hive，Pig。或者HDFS上直接跑Impala，Drill，Presto。這解決了中低速數據處理的要求。
那如果我要更高速的處理呢?
如果我是一個類似微博的公司，我希望顯示不是24小時熱博，我想看一個不斷變化的熱播榜，更新延遲在一分鐘之內，上面的手段都將無法勝任。于是又一種計算模型被開發出來，這就是Streaming(流)計算。Storm是最流行的流計算平臺。流計算的思路是，如果要達到更實時的更新，我何不在數據流進來的時候就處理了?比如還是詞頻統計的例子，我的數據流是一個一個的詞，我就讓他們一邊流過我就一邊開始統計了。流計算很牛逼，基本無延遲，但是它的短處是，不靈活，你想要統計的東西必須預先知道，畢竟數據流過就沒了，你沒算的東西就無法補算了。因此它是個很好的東西，但是無法替代上面數據倉庫和批處理系統。
還有一個有些獨立的模塊是KV Store，比如Cassandra，HBase，MongoDB以及很多很多很多很多其他的(多到無法想象)。所以KV Store就是說，我有一堆鍵值，我能很快速滴獲取與這個Key綁定的數據。比如我用身份證號，能取到你的身份數據。這個動作用MapReduce也能完成，但是很可能要掃描整個數據集。而KV Store專用來處理這個操作，所有存和取都專門為此優化了。從幾個P的數據中查找一個身份證號，也許只要零點幾秒。這讓大數據公司的一些專門操作被大大優化了。比如我網頁上有個根據訂單號查找訂單內容的頁面，而整個網站的訂單數量無法單機數據庫存儲，我就會考慮用KV Store來存。KV Store的理念是，基本無法處理復雜的計算，大多沒法JOIN，也許沒法聚合，沒有強一致性保證(不同數據分布在不同機器上，你每次讀取也許會讀到不同的結果，也無法處理類似銀行轉賬那樣的強一致性要求的操作)。但是丫就是快。極快。
每個不同的KV Store設計都有不同取舍，有些更快，有些容量更高，有些可以支持更復雜的操作。必有一款適合你。
除此之外，還有一些更特制的系統/組件，比如Mahout是分布式機器學習庫，Protobuf是數據交換的編碼和庫，ZooKeeper是高一致性的分布存取協同系統，等等。
有了這么多亂七八糟的工具，都在同一個集群上運轉，大家需要互相尊重有序工作。所以另外一個重要組件是，調度系統。現在最流行的是Yarn。你可以把他看作中央管理，好比你媽在廚房監工，哎，你妹妹切菜切完了，你可以把刀拿去殺雞了。只要大家都服從你媽分配，那大家都能愉快滴燒菜。
你可以認為，大數據生態圈就是一個廚房工具生態圈。為了做不同的菜，中國菜，日本菜，法國菜，你需要各種不同的工具。而且客人的需求正在復雜化，你的廚具不斷被發明，也沒有一個萬用的廚具可以處理所有情況，因此它會變的越來越復雜。
夏磊洲 ：大數據應用領域總結來講分為離線計算和實時計算。隨著數據量的增加，OLTP模式已經難以勝任，于是OLAP逐漸成為主流。無論是實時計算還是離線計算，基本思想是相同的，即：分而治之。大型互聯網公司，單次業務需處理的數據量達到在TB級以上時，仿佛三維世界的小人不小心踏進了四維空間碎片，就像星際穿越里的那位哥們，一切記憶中非常簡單的事物此時都變得異常復雜。復雜到用diff來比較兩個文件都變得十分困難，復雜到我們給文件里地數據排個序都似乎變得不可能。此時，我們就像浪潮之巔里地弄潮兒，不知不覺間遇到了技術瓶頸。我們想呼救，發現眾屌絲比我們還挫，我們試圖突破，但總是不盡如人意，有些人想到了用超大型計算機，然而處理結果還是跟不上數據量的增加，好痛苦，好無助….
然而就在此時，仿佛晴天一聲霹靂，谷歌的三篇論文給我們帶來了曙光，給了我們希望。GFS解決了海量數據存儲的問題，MapReduce解決了分布式計算的問題，BigTable幫助我們構建分布式的數據倉庫。我們歡呼，跪舔，并且對未來充滿了希望，but, 我們發現坑爹的谷歌只點化了大眾，缺沒有開源代碼。怎么辦呢，只有自己挽起袖子擼一個出來了。于是，華強北山寨版大組合Hadoop出來了。hadoop 完全一對一山寨了谷歌的三篇論文的思想，憋出了HDFS(山寨自GFS), MapReduce, Hbase(BigTable)……
紀路 ：我暫且就按照一個由遠及近的順序，按照時間的早晚從大數據出現之前的時代講到現在。暫時按一個城市來比喻吧，反正Landscape的意思也大概是”風景“的意思。
早在大數據概念出現以前就存在了各種各樣的關于數學、統計學、算法、編程語言的研究、討論和實踐。這個時代， 算法以及各種數學知識作為建筑的原料(比如鋼筋、磚塊)，編程語言作為粘合劑(比如水泥)構成了一座座小房子(比如一個應用程序)，形成了一小片一小片的村莊(比如一臺服務器)。這個時代村與村之間還沒有高速公路(GFS, HDFS, Flume, Kafka等)，只有一條泥濘不好走的土路(比如RPC)，經濟模式也是小作坊式的經濟。 一開始互聯網并不發達，網速也不快，這種老土的方式完全應付得來，可是隨著社交網絡和智能手機的興起，改變了這一切。網站流量成百上千倍的提高，數據變得更加多樣化，計算機硬件性能無法按照摩爾定律穩定的提升，小村莊，小作坊生產的模式注定受到限制。人們需要更強大的模式…
起開始，人們以為只要有一個強大的中央數據庫，也就是在所有的村莊之間建一座吞吐量巨大，并且兼容并蓄(非關系型，NoSQL)的倉庫，用來中轉每個村莊生產的大量異質貨物就能夠拉動經濟的增長。可是沒過多久，人們就意識到這是一個too young to simple的想法，因為這個倉庫的大小也總是有上限的。
之后MapReduce的概念最早由google提出，用來解決大規模集群協同運算的問題，既然一臺計算機性能有限，何不將他們聯合起來?其野心勃勃，希望為每個村莊都建立一條”村村通“公路，也就是GFS了，就是Google分布式文件系統的意思，將不同服務器的硬盤連接起來，在外面看起來就好像一塊巨大的硬盤。然后構建與其上的MapReduce就是一座工廠調度每個村莊的勞動力和物資，讓這些村莊作為一個經濟體運轉起來。居民變得富裕起來了。
不過，富裕起來的只有“谷歌鎮”，世界的其他村鎮仍然過著原始的生活。這個時候雅虎和Apache的一幫人本著獨樂樂不如眾樂樂的精神，仿造 google的思想，創建了HDFS(Hadoop 分布式文件系統，對應GFS)、Hadoop(對應google的MapReduce)，并公開了全部的藍圖，供全世界免費使用。這樣整個世界到處都建立起來了工廠，人們變得富裕起來了。這個時代，Hadoop叫做大數據基礎設施。俗話說：飽暖思淫欲，工廠的領導不滿足于村鎮工廠的粗放型生產，也不再想雇用那么多的勞動力，所以Mahout、HBase、Hive、Pig應運而生，他們都是數控機床，加工中心，只需要幾名操作手就能夠讓整個工廠運轉起來，自此人們安居樂業，豐衣足食。
當然，少數更有野心的資本家，不滿足于現在的生產力，為了追求更高的利潤(這是資本主義的本質)，開發了效率更高的系統Spark，可以10倍于Hadoop的速度生產產品，新的時代才剛剛拉開序幕…
原文鏈接：http://www.thebigdata.cn/YeJieDongTai/13753.html
京公網安備 11010502049343號