Data - 大数据生态圈

本文内容来自网络，对原文内容和格式做了细微调整，并配图以便阅读理解。
如想查看初始信息，请点击原文。

00 引言

大数据本身是个很宽泛的概念，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。
可以把它比作一个厨房所以需要的各种工具。锅碗瓢盆，各有各的用处，互相之间又有重合。
可以用汤锅直接当碗吃饭喝汤，可以用小刀或者刨子去皮。但是每个工具有自己的特性，虽然奇怪的组合也能工作，但是未必是最佳选择。

01 - HDFS（Hadoop Distributed FileSystem）

大数据，首先要能存的下大数据。
传统的文件系统是单机的，不能横跨不同的机器。
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，但是你看到的是一个文件系统而不是很多文件系统。
比如要获取/hdfs/tmp/file1的数据，引用的是一个文件路径，但是实际的数据存放在很多不同的机器上。
但作为用户，不需要知道这些，就好比在单机上不关心文件分散在什么磁道什么扇区一样。HDFS管理这些数据。

02 - MapReduce、Tez、Spark

存的下数据之后，开始考虑怎么处理数据。
虽然HDFS可以整体管理不同机器上的数据，但是这些数据太大了。一台机器读取成T上P的数据，一台机器慢慢跑也许需要好几天甚至好几周。
对于很多公司来说，单机处理是不可忍受的，比如微博要更新24小时热博，它必须在24小时之内跑完这些处理。
那么如果要用很多台机器处理，就面临了如何分配工作，如果一台机器挂了如何重新启动相应的任务，机器之间如何互相通信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的计算模型，只有Map和Reduce两个计算过程（中间用Shuffle串联），已经可以处理大数据领域很大一部分问题了。
假设一个巨大的文本文件存储在类似HDFS上，想要知道这个文本里各个词的出现频率。然后启动了一个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，产生类似（hello,12100次），（world15214次）等等这样的Pair（这里把Map和Combine放在一起说以便简化）。
这几百台机器各自都产生了如上的集合，然后又有几百台机器启动Reduce处理。

Reduce阶段，Reducer机器A将从Mapper机器收到所有以A开头的统计结果，机器B将收到B开头的词汇统计结果，等等。
当然实际上不会真的以字母开头做依据，而是用函数产生Hash值以避免数据串化。，避免数据处理各个机器的工作量相差悬殊。
然后这些Reducer将再次汇总，（hello，12100）＋（hello，12311）＋（hello，345881）=（hello，370292）。
每个Reducer都如上处理，就得到了整个文件的词频结果。这看似是个很简单的模型，但很多算法都可以用这个模型描述了。
Map＋Reduce的简单模型虽然好用，但是很笨重。

第二代的Tez和Spark除了内存Cache之类的新feature，但本质上来说，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。

03 - Pig、Hive

有了MapReduce，Tez和Spark之后，程序员发现，MapReduce的程序写起来真麻烦。他们希望简化这个过程。
这就好比你有了汇编语言，虽然你几乎什么都能干了，但是你还是觉得繁琐。你希望有个更高层更抽象的语言层来描述算法和数据处理流程。于是就有了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，
使用Pig和Hive，就可以从繁琐的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之后，人们发现SQL对比Java有巨大的优势。
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。
更重要的是，非计算机背景的用户终于感受到了爱：我也会写SQL！
于是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。大家都开心了。
Hive逐渐成长成了大数据仓库的核心组件。甚至很多公司的流水线作业集完全是用SQL描述，因为易写易改，一看就懂，容易维护。

04 - Impala、Presto、Drill

自从数据分析人员开始用Hive分析数据之后，发现Hive在MapReduce上跑，非常慢！
流水线作业集也许没啥关系，比如24小时更新的推荐，反正24小时内跑完就算了。但人们总是希望能跑更快一些，以便及时进行数据分析。
于是Impala，Presto，Drill诞生了（当然还有无数非著名的交互SQL引擎，就不一一列举了）。

MapReduce引擎太慢，因为它太通用，太强壮，太保守
而Impala，Presto，Drill的核心理念是：需要更轻量，更激进地获取资源，更专门地对SQL做优化，而且不需要那么多容错性保证。让用户更快速地处理SQL任务，牺牲了通用性稳定性等特性。
如果说MapReduce是大砍刀，砍啥都不怕，那么Impala，Presto，Drill就是剔骨刀，灵巧锋利，但是不能搞太大太硬的东西。

05 - Hive on Tez/Spark、SparkSQL

因为Hive on Tez/Spark和SparkSQL的出现，很大程度上导致Impala、Presto、Drill一直没有获得广泛的流行度，
Hive on Tez/Spark和SparkSQL的设计理念是：MapReduce慢，但如果使用新一代通用计算引擎Tez或者Spark来跑SQL，就能跑的更快。而且用户不需要维护两套系统。
这就好比如果厨房小，人又懒，对吃的精细程度要求有限，那就可以买个电饭煲，能蒸能煲能烧，省了好多厨具。

06 - Storm

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，再上面跑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。

那如果要更高速的处理呢？
如果是一个类似微博的公司，希望显示一个不断变化的热播榜，更新延迟在一分钟之内，上面的手段都将无法胜任。
于是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：在数据流进来的时候就处理，达到更实时的更新。
还是词频统计的例子，数据流是一个一个的词，数据流通过时就开始统计了。
流计算基本无延迟，但短处是不灵活，想要统计的东西必须预先知道，毕竟数据流过就没了，你没算的东西就无法补算了。
Storm虽好，但是无法替代数据仓库和批处理系统。

07 - KV Store（Cassandra，HBase，MongoDB等）

独立的模块KV Store就是说，有一堆键值，能很快速滴获取与这个Key绑定的数据。
比如用身份证号，能取到对应的身份数据。
这个动作用MapReduce也能完成，但是很可能要扫描整个数据集。
而KV Store专用来处理这个操作，所有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作被大大优化了。比如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无法单机数据库存储，就会考虑用KV Store来存。

KV Store的理念是：速度快，极快。
虽然KV Store基本无法处理复杂的计算，大多没法JOIN，也许没法聚合，没有强一致性保证（不同数据分布在不同机器上，每次读取也许会读到不同的结果，也无法处理类似银行转账那样的强一致性要求的操作）。
不同的KV Store设计都有不同取舍，有些更快，有些容量更高，有些可以支持更复杂的操作。

08 - 特制的系统／组件

除此以上介绍之外，还有一些更特制的系统／组件，比如

• Mahout：分布式机器学习库
• Protobuf：数据交换的编码和库
• ZooKeeper：高一致性的分布存取协同系统
• 等等。

09 - Yarn、Mesos

在同一个集群上运转如此之多的系统和组件，想要有序工作，就必须使用资源调度系统。现在最流行的是Yarn。
可以把资源调度系统看作中央管理，好比老板娘在厨房监工，只要大家都服从任务分配，那大家都能愉快滴烧菜。

10 - 结尾

可以这么认为，大数据生态圈就是一个厨房工具生态圈。
为了做不同的菜，需要各种不同的工具。
而且客人的需求正在复杂化，厨具不断地被发明，没有一个万用的厨具可以处理所有情况，因此它会变的越来越复杂。

参考信息

The Big Data Landscape
hadoop生态圈介绍