浅谈Hadoop、Hive、Spark之间的联系

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，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，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一些特定页面驻足，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，你还有不少其余的要分析。你没法忍受等待的折磨。
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。尚学堂陈老师指出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，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。