实用大数据系统设计

大数据通常人听着比较复杂，以为可能须要很大成原本部署和实施。幸运地是市面上已经有一些云服务来帮助咱们让大数据变得更简单。另外，若是你选择合适的开源工具，也每每会使你的大数据之路起到事半功倍的效果。下面会列出实用而且较低成本的大数据实施系统，供参考。

请注意本文不讨论实时或者流数据处理，若是你在寻找那些方面的解决方案，为了节省你的时间，咱们建议你忽略本文。

在选择据具体大数据工具以前，你最好回答两个问题：

1. 你的数据有多大？

2. 你但愿你的数据查询要多快？

第一个问题决定你须要什么样的大数据存储系统，第二个问题决定你须要什么样的查询或者执行引擎。下面是基于对这两个问题的不一样回答，推荐采用的一些工具。

1. 超大数据（几百TB），查询时间容忍度很高（几小时）

这个是批处理（batch processing）适用的场景。一个可行的方案是：AWS S3 ＋ Apache Spark。你能够执行Spark任务，读取S3中的数据，而后将计算结果存成CSV文件，最后用Excel分析或者可视化结果。

2. 中等规模数据（几十TB），但愿查询快速响应（几秒钟）

这个一般是交互式查询适用的场景。一个可行的方案是：AWS Redshift ＋ Tableau。Redshift提供低延迟查询处理，Tableau提供很好的数据可视化功能，两者结合起来能够轻松的分析大量数据，只是须要必定的成本。须要提醒的是，你最好提早规划好Redshift集群的规模和容量，减小随机动态调整， 由于在Redshift中，扩展集群（scale up or scale out）是个比较痛苦的过程。

3. 中等规模数据（几十TB），必定的查询响应容忍度（几分钟），低成本

这个场景适用于预算有限的状况，或者你不想在AWS Redshift和Tableau上投入太多。你将须要对大数据比较了解的开发人员，从而能够本身搭建企业内部的大数据集群。一个可行的解决方案是：Apache Cassandra + Presto Query Engine + H2 Console (from H2 Database Engine)。

Cassandra提供高可靠性大数据存储系统，而且比较容易部署。Presto提供分布式SQL执行引擎，能够运行在Cassandra之上，并提供JDBC支持。H2 Console是一个简单可是有效的Web界面，用来查询JDBC数据源。利用这些工具组合，你不须要任何编程工做，就能够在企业内部搭建起一个端到端大数据解决方案。

综上，你能够看到，根据不一样的大数据需求，能够选择不一样的工具组合。但愿本文能够帮助你快速进入大数据领域。若有任何问题或者反馈，欢迎联系做者本人（boyang798@gmail.com）。

扫描微信二维码联系做者