大数据生态及其技术栈

大数据生态及其技术栈

原文：大数据生态及其技术栈

如何用形象的比喻描述大数据的技术生态？Hadoop、Hive、Spark 之间是什么关系？对于大部分人来讲都是傻傻分不清楚。

今年来大数据、人工智能得到了IT界大量的关注。若是一个企业不玩大数据，都很差意思说本身是在IT圈混的。我敢打赌，你在中关村西二旗地铁站溜一圈，保准你会听到以下名词：Hadoop、Spark、MapReduce、NoSQL、离线计算、实时计算、实时推送等等一大串名称。程序猿哥哥们就是有这么实在，坐在地铁上还能那么投入的讨论技术问题。那么，这些听起来高大上的技术，究竟都是干什么用的呢？他们之间的有什么区别和联系？

一般，一个技术的兴起，都是由现实需求驱动的。了解了咱们面临的问题，就能更好的理解各个大数据技术的使用场景，各种大数据技术的区别也就显而易见了。

网易大数据工程师@Xiaoyu Ma对大数据的话题进行了通俗的解读，各位准备好小板凳，开讲啦...

首先上一张大数据生态系统的图：

Hadoop生态系统概览

而后了解大数据技术栈中常见的概念：

Hadoop:Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特色，而且设计用来部署在低廉的（low-cost）硬件上；并且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，能够以流的形式访问（streaming access）文件系统中的数据。

Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

HDFS:Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。它和现有的分布式文件系统有不少共同点。但同时，它和其余的分布式文件系统的区别也是很明显的。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，很是适合大规模数据集上的应用。HDFS放宽了一部分POSIX约束，来实现流式读取文件系统数据的目的。HDFS在最开始是做为Apache Nutch搜索引擎项目的基础架构而开发的。HDFS是Apache Hadoop Core项目的一部分。HDFS有着高容错性（fault-tolerant）的特色，而且设计用来部署在低廉的（low-cost）硬件上。并且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求（requirements）这样能够实现流的形式访问（streaming access）文件系统中的数据。

Spark: Spark是一个高效的分布式计算系统，相比Hadoop的Mapreduce计算框架，它在性能上比Mapreduce要高100倍。Spark提供比Hadoop更上层的API，一样的算法在Spark中实现每每只有Hadoop的1/10或者1/100的长度。Shark相似“SQL on Spark”，是一个在Spark上数据仓库的实现，在兼容Hive的状况下，性能最高能够达到Hive的一百倍。

HBase：是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化数据集群。像Facebook，都拿它作大型实时应用 Facebook's New Realtime Analytics System: HBase to Process 20 Billion Events Per Day

Pig：Yahoo开发的，并行地执行数据流处理的引擎，它包含了一种脚本语言，称为Pig Latin，用来描述这些数据流。Pig Latin自己提供了许多传统的数据操做，同时容许用户本身开发一些自定义函数用来读取、处理和写数据。在LinkedIn也是大量使用。

Hive：Facebook领导的一个数据仓库工具，能够将结构化的数据文件映射为一张数据库表，并提供完整的sql查询功能，能够将sql语句转换为MapReduce任务进行运行。其优势是学习成本低，能够经过类SQL语句快速实现简单的MapReduce统计。像一些data scientist 就能够直接查询，不须要学习其余编程接口。

Cascading/Scalding：Cascading是Twitter收购的一个公司技术，主要是提供数据管道的一些抽象接口，而后又推出了基于Cascading的Scala版本就叫Scalding。Coursera是用Scalding做为MapReduce的编程接口放在Amazon的EMR运行。

Zookeeper：一个分布式的，开放源码的分布式应用程序协调服务，是Google的Chubby一个开源的实现。

Oozie：一个基于工做流引擎的开源框架。由Cloudera公司贡献给Apache的，它可以提供对Hadoop MapReduce和Pig Jobs的任务调度与协调。

Azkaban: 跟上面很像，Linkedin开源的面向Hadoop的开源工做流系统，提供了相似于cron 的管理任务。

Tez：Hortonworks主推的优化MapReduce执行引擎，与MapReduce相比较，Tez在性能方面更加出色。

Mesos：一个分布式环境的资源管理平台，它使得Hadoop、MPI、Spark做业在统一资源管理环境下执行。它对Hadoop2.0支持很好。Twitter，Coursera都在使用。

Tachyon：是一个高容错的分布式文件系统，容许文件之内存的速度在集群框架中进行可靠的共享，就像Spark和MapReduce那样。有幸跟项目发起人李浩源聊过几回，这个项目目前发展很是快，甚至比Spark当时还要惊人。目前到0.6版本，参与开源的规模和版本迭代速度都很快。已经拿到著名VC A16Z 750万美金的投资，https://www.crunchbase.com/organization/tachyon-networks

看了这么多大数据相关概念，相信你对大数据技术栈更迷糊了。下面是一段更加通俗的解读：

大数据自己是个很宽泛的概念，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。你能够把它比做一个厨房因此须要的各类工具。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。可是每一个工具备本身的特性，虽然奇怪的组合也能工做，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，不能横跨不一样的机器。HDFS（Hadoop Distributed FileSystem）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不少文件系统。好比你说我要获取/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不少不一样的机器上。你做为用户，不须要知道这些，就比如在单机上你不关心文件分散在什么磁道什么扇区同样。HDFS为你管理这些数据。

存的下数据以后，你就开始考虑怎么处理数据。虽然HDFS能够为你总体管理不一样机器上的数据，可是这些数据太大了。一台机器读取成T上P的数据（很大的数据哦，好比整个东京热有史以来全部高清电影的大小甚至更大），一台机器慢慢跑也许须要好几天甚至好几周。对于不少公司来讲，单机处理是不可忍受的，好比微博要更新24小时热博，它必须在24小时以内跑完这些处理。那么我若是要用不少台机器处理，我就面临了如何分配工做，若是一台机器挂了如何从新启动相应的任务，机器之间如何互相通讯交换数据以完成复杂的计算等等。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，采用了很简化的计算模型，只有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很大一部分问题了。
那什么是Map什么是Reduce？
考虑若是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，几百台机器同时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）等等这样的Pair（我这里把Map和Combine放在一块儿说以便简化）；这几百台机器各自都产生了如上的集合，而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（固然实际上不会真的以字母开头作依据，而是用函数产生Hash值以免数据串化。由于相似X开头的词确定比其余要少得多，而你不但愿数据处理各个机器的工做量相差悬殊）。而后这些Reducer将再次汇总，（hello，12100）＋（hello，12311）＋（hello，345881）= （hello，370292）。每一个Reducer都如上处理，你就获得了整个文件的词频结果。
这看似是个很简单的模型，但不少算法均可以用这个模型描述了。
Map＋Reduce的简单模型很黄很暴力，虽然好用，可是很笨重。第二代的Tez和Spark除了内存Cache之类的新feature，本质上来讲，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，以便更方便地描述复杂算法，取得更高的吞吐量。

有了MapReduce，Tez和Spark以后，程序员发现，MapReduce的程序写起来真麻烦。他们但愿简化这个过程。这就比如你有了汇编语言，虽然你几乎什么都能干了，可是你仍是以为繁琐。你但愿有个更高层更抽象的语言层来描述算法和数据处理流程。因而就有了Pig和Hive。Pig是接近脚本方式去描述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写程序了。

有了Hive以后，人们发现SQL对比Java有巨大的优点。一个是它太容易写了。刚才词频的东西，用SQL描述就只有一两行，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终于感觉到了爱：我也会写SQL！因而数据分析人员终于从乞求工程师帮忙的窘境解脱出来，工程师也从写奇怪的一次性的处理程序中解脱出来。你们都开心了。Hive逐渐成长成了大数据仓库的核心组件。甚至不少公司的流水线做业集彻底是用SQL描述，由于易写易改，一看就懂，容易维护。

自从数据分析人员开始用Hive分析数据以后，它们发现，Hive在MapReduce上跑，真鸡巴慢！流水线做业集也许没啥关系，好比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，人们老是但愿能跑更快一些。好比我但愿看过去一个小时内多少人在充气娃娃页面驻足，分别停留了多久，对于一个巨型网站海量数据下，这个处理过程也许要花几十分钟甚至不少小时。而这个分析也许只是你万里长征的第一步，你还要看多少人浏览了跳蛋多少人看了拉赫曼尼诺夫的CD，以便跟老板汇报，咱们的用户是猥琐男闷骚女更多仍是文艺青年／少女更多。你没法忍受等待的折磨，只能跟帅帅的工程师蝈蝈说，快，快，再快一点！
因而Impala，Presto，Drill诞生了（固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，咱们SQL须要更轻量，更激进地获取资源，更专门地对SQL作优化，并且不须要那么多容错性保证（由于系统出错了大不了从新启动任务，若是整个处理时间更短的话，好比几分钟以内）。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。若是说MapReduce是大砍刀，砍啥都不怕，那上面三个就是剔骨刀，灵巧锋利，可是不能搞太大太硬的东西。

这些系统，说实话，一直没有达到人们指望的流行度。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，可是若是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。这就比如若是你厨房小，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。这解决了中低速数据处理的要求。

那若是我要更高速的处理呢？
若是我是一个相似微博的公司，我但愿显示不是24小时热博，我想看一个不断变化的热播榜，更新延迟在一分钟以内，上面的手段都将没法胜任。因而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，若是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？好比仍是词频统计的例子，个人数据流是一个一个的词，我就让他们一边流过我就一边开始统计了。流计算很牛逼，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，你没算的东西就没法补算了。所以它是个很好的东西，可是没法替代上面数据仓库和批处理系统。

还有一个有些独立的模块是KV Store，好比Cassandra，HBase，MongoDB以及不少不少不少不少其余的（多到没法想象）。因此KV Store就是说，我有一堆键值，我能很快速滴获取与这个Key绑定的数据。好比我用身份证号，能取到你的身份数据。这个动做用MapReduce也能完成，可是极可能要扫描整个数据集。而KV Store专用来处理这个操做，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，也许只要零点几秒。这让大数据公司的一些专门操做被大大优化了。好比我网页上有个根据订单号查找订单内容的页面，而整个网站的订单数量没法单机数据库存储，我就会考虑用KV Store来存。KV Store的理念是，基本没法处理复杂的计算，大多无法JOIN，也许无法聚合，没有强一致性保证（不一样数据分布在不一样机器上，你每次读取也许会读到不一样的结果，也没法处理相似银行转帐那样的强一致性要求的操做）。可是丫就是快。极快。
每一个不一样的KV Store设计都有不一样取舍，有些更快，有些容量更高，有些能够支持更复杂的操做。必有一款适合你。

除此以外，还有一些更特制的系统／组件，好比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，你们须要互相尊重有序工做。因此另一个重要组件是，调度系统。如今最流行的是Yarn。你能够把他看做中央管理，比如你妈在厨房监工，哎，你妹妹切菜切完了，你能够把刀拿去杀鸡了。只要你们都服从你妈分配，那你们都能愉快滴烧菜。

你能够认为，大数据生态圈就是一个厨房工具生态圈。为了作不一样的菜，中国菜，日本菜，法国菜，你须要各类不一样的工具。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状况，所以它会变的愈来愈复杂。