老李分享大資料生態圈 1

標籤：

大資料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資料處理而誕生的。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。

 

        大資料，首先你要能存的下大資料。

 

        傳統的檔案系統是單機的，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資料能橫跨成百上千台機器，但是你看到的是一個檔案系統而不是很多檔案系統。比如你說我要擷取/hdfs/tmp/file1的資料，你引用的是一個檔案路徑，但是實際的資料存放在很多不同的機器上。你作為使用者，不需要知道這些，就好比在單機上你不關心檔案分散在什麼磁軌什麼扇區一樣。HDFS為你管理這些資料。

 

        存下的資料之後，你就開始考慮怎麼處理資料。雖然HDFS可以為你整體管理不同機器上的資料，但是這些資料太大了。一台機器讀取成T上P的資料（很大的資料哦，比如整個東京熱有史以來所有高畫質 DVD的大小甚至更大），一台機器慢慢跑也許需要好幾天甚至好幾周。對於很多公司來說，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。那麼我如果要用很多台機器處理，我就面臨了如何分配工作，如果一台機器掛了如何重新啟動相應的任務，機器之間如何互相通訊交換資料以完成複雜的計算等等。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，採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，已經可以處理大資料領域很大一部分問題了。

 

        那什麼是Map什麼是Reduce？

 

        考慮如果你要統計一個巨大的文字檔儲存在類似HDFS上，你想要知道這個文本裡各個詞的出現頻率。你啟動了一個MapReduce程式。Map階段，幾百台機器同時讀取這個檔案的各個部分，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（我這裡把Map和Combine放在一起說以便簡化）；這幾百台機器各自都產生了如上的集合，然後又有幾百台機器啟動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開頭的詞彙統計結果（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值以避免資料串化。因為類似X開頭的詞肯定比其他要少得多，而你不希望資料處理各個機器的工作量相差懸殊）。然後這些Reducer將再次匯總，（hello，12100）＋（hello，12311）＋（hello，345881）= （hello，370292）。每個Reducer都如上處理，你就得到了整個檔案的詞頻結果。

        這看似是個很簡單的模型，但很多演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除了記憶體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，資料交換更靈活，更少的磁碟讀寫，以便更方便地描述複雜演算法，取得更高的輸送量。

        有了MapReduce，Tez和Spark之後，程式員發現，MapReduce的程式寫起來真麻煩。他們希望簡化這個過程。這就好比你有了組合語言，雖然你幾乎什麼都能幹了，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演算法和資料處理流程。於是就有了Pig和Hive。Pig是接近指令碼方式去描述MapReduce，Hive則用的是SQL。它們把指令碼和SQL語言翻譯成MapReduce程式，丟給計算引擎去計算，而你就從繁瑣的MapReduce程式中解脫出來，用更簡單更直觀的語言去寫程式了。

有了Hive之後，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，非電腦背景的使用者終於感受到了愛：我也會寫SQL！於是資料分析人員終於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常式中解脫出來。大家都開心了。Hive逐漸成長成了大資料倉儲的核心組件。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。

        自從資料分析人員開始用Hive分析資料之後，它們發現，Hive在MapReduce上跑，太慢了！流水線作業集也許沒啥關係，比如24小時更新的推薦，反正24小時內跑完就算了。但是資料分析，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可穿戴手環頁面駐足，分別停留了多久，對於一個巨型網站海量資料下，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裡長征的第一步，你還要看多少人瀏覽了電子產品多少人看了拉赫曼尼諾夫的CD，以便跟老闆彙報，我們的使用者是屌絲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，只能跟工程師說，快，快，再快一點！

        於是Impala，Presto，Drill誕生了（當然還有無數非著名的互動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，更激進地擷取資源，更專門地對SQL做最佳化，而且不需要那麼多容錯性保證（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）。這些系統讓使用者更快速地處理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。而且使用者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，基本就是一個資料倉儲的構架了。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。這解決了中低速資料處理的要求。

老李分享大資料生態圈 1