[大数据]一个大数据的故事

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；

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;

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。

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。

 

故事还在继续………………