大數(shù)據(jù)分析工具Hadoop 2.0需要注意的新問題

導(dǎo)讀：本文分析了Hadoop 2.0中的一些變化以及用戶需要注意的問題，Hadoop分布式處理架構(gòu)為IT、數(shù)據(jù)管理以及數(shù)據(jù)分析團(tuán)隊(duì)帶來(lái)了新生機(jī)的同時(shí)，也帶來(lái)了新的挑戰(zhàn)。

在大數(shù)據(jù)時(shí)代，Hadoop分布式處理架構(gòu)為IT、數(shù)據(jù)管理以及數(shù)據(jù)分析團(tuán)隊(duì)帶來(lái)了新生機(jī)的同時(shí)，也帶來(lái)了新的挑戰(zhàn)。隨著Hadoop生態(tài)系統(tǒng)的不斷發(fā)展壯大，企業(yè)需要對(duì)快速更新?lián)Q代的技術(shù)做好充足的準(zhǔn)備。

上周，Apache軟件基金會(huì)剛剛宣布了Hadoop 2.0的正式GA，新版本的Hadoop將帶來(lái)大量變化。以HDFS和基于Java的MapReduce為核心組件，Hadoop的早期采用者都在使用它應(yīng)對(duì)海量數(shù)據(jù)處理，包括結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)，從日志文件到文本數(shù)據(jù)，再?gòu)膫鞲衅鲾?shù)據(jù)再到社交媒體數(shù)據(jù)不一而足。

Hadoop 1.0向2.0的轉(zhuǎn)變

Hadoop通常以集群的方式運(yùn)行在廉價(jià)服務(wù)器上，因此可以有效控制海量數(shù)據(jù)處理和存儲(chǔ)的成本。Ventana研究機(jī)構(gòu)的副總裁Tony Cosentino表示，Hadoop采取了輕架構(gòu)的數(shù)據(jù)處理方式， 因此它能夠?qū)π滦蛿?shù)據(jù)源進(jìn)行充分利用，這是傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)架構(gòu)所不能比擬的。

但Cosentino認(rèn)為，目前的Hadoop架構(gòu)也受到了批處理模式的限制，可以把它比作是一輛重型卡車，在性能方面存在較大瓶頸。Hadoop不適合有低延遲需求的應(yīng)用，它更適合干重活，即海量數(shù)據(jù)處理。

Hadoop適合分析海量非結(jié)構(gòu)化數(shù)據(jù)集，它通常是上TB甚至PB的數(shù)量級(jí)。ScaleOut Software的CEO William Bain表示，由于Hadoop批處理的天性以及大開銷所限，它并不適合進(jìn)行數(shù)據(jù)集的實(shí)時(shí)分析。但將Hadoop 2.0與其他廠商所添加的新查詢引擎結(jié)合，這個(gè)問題也將得到有效的解決。

數(shù)據(jù)倉(cāng)庫(kù)之門向Hadoop開啟

Impetus Technologies的首席架構(gòu)師Sanjay Sharma表示，數(shù)據(jù)倉(cāng)庫(kù)應(yīng)用同樣涉及到海量數(shù)據(jù)處理，因此它是天生的Hadoop目標(biāo)應(yīng)用。那么多大的數(shù)據(jù)比較合適？Sharma認(rèn)為10 TB左右是Hadoop的理想數(shù)據(jù)量，如果數(shù)據(jù)集組成非常復(fù)雜，那么這個(gè)數(shù)量還會(huì)有所下降。

像汽車導(dǎo)購(gòu)類信息提供商Edmunds.com這樣的用戶，都部署了Hadoop以及相關(guān)技術(shù)來(lái)代替?zhèn)鹘y(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)。大多數(shù)企業(yè)的Hadoop集群往往被視為數(shù)據(jù)進(jìn)入組織的一個(gè)緩沖區(qū)域，數(shù)據(jù)由MapReduce來(lái)進(jìn)行“過濾”，轉(zhuǎn)換成為傳統(tǒng)的關(guān)系型數(shù)據(jù)，然后再導(dǎo)入到數(shù)據(jù)倉(cāng)庫(kù)或者數(shù)據(jù)集市來(lái)進(jìn)行分析。這種方式還提供了一定的靈活性，原始數(shù)據(jù)可以放在Hadoop系統(tǒng)中，需要進(jìn)行分析的時(shí)候在用ETL進(jìn)行處理。

Sharma把這種部署方式稱為“數(shù)據(jù)下游處理”，而另外一家研究機(jī)構(gòu)的總裁Colin White則用更準(zhǔn)確的方式進(jìn)行了總結(jié)，即“業(yè)務(wù)煉油廠”。在今年發(fā)布的一項(xiàng)調(diào)查報(bào)告中，Gartner分析師Mark Beyer和Ted Friedman指出，使用Hadoop收集數(shù)據(jù)并為數(shù)據(jù)倉(cāng)庫(kù)中分析數(shù)據(jù)做準(zhǔn)備，這是目前最主流的大數(shù)據(jù)分析應(yīng)用實(shí)踐。而在272個(gè)參與調(diào)查的用戶當(dāng)中，有超過一半的用戶表示他們計(jì)劃在未來(lái)12個(gè)月進(jìn)行這一工作。

從誕生伊始，Hadoop就吸引了無(wú)數(shù)軟件開發(fā)者在其基礎(chǔ)之上創(chuàng)建新的工具，來(lái)彌補(bǔ)自身所存在的諸多不足。比如HBase（分布式數(shù)據(jù)庫(kù)），Hive（基于SQL的數(shù)據(jù)倉(cāng)庫(kù)），Pig（MapReduce中開發(fā)數(shù)據(jù)分析程序的高級(jí)語(yǔ)言）等。其他的一些支持項(xiàng)目現(xiàn)在也成為了Apache項(xiàng)目的一部分，比如Hadoop集群調(diào)配管理和監(jiān)控工具Ambari，NoSQL數(shù)據(jù)庫(kù)Cassandra以及針對(duì)大型分布式系統(tǒng)的可靠協(xié)調(diào)系統(tǒng)ZooKeeper等。

YARN為Hadoop 2.0帶來(lái)新活力

Hadoop 2.0目前已經(jīng)統(tǒng)一稱為Hadoop 2，它已經(jīng)進(jìn)入越來(lái)越多人的視野當(dāng)中。其中最重要的一部分就是YARN（Yet Another Resource Negotiator），這個(gè)更新的資源管理器能夠讓非MapReduce開發(fā)的應(yīng)用運(yùn)行在HDFS上。通過這種方式，YARN旨在解除Hadoop的批處理限制，同時(shí)提供與現(xiàn)有應(yīng)用結(jié)構(gòu)的向下兼容。

Cosentino表示，YARN是Hadoop 2.0的最重要發(fā)展，它能夠讓多種工作負(fù)載并發(fā)運(yùn)行。Yahoo就是一個(gè)很好的例子，他們?cè)赮ARN上部署了Storm復(fù)雜事件處理軟件，用來(lái)輔助把網(wǎng)站用戶行為數(shù)據(jù)過濾到Hadoop集群當(dāng)中。

Hadoop 2還提供了在高可用方面的改進(jìn)，新的特性能夠幫助用戶在HDFS上創(chuàng)建一個(gè)聯(lián)邦命名節(jié)點(diǎn)架構(gòu)，而無(wú)需依靠一個(gè)單一的節(jié)點(diǎn)來(lái)控制整個(gè)集群。此外，它還添加了對(duì)Windows平臺(tái)的支持，配合大型廠商定制開發(fā)的各種實(shí)用工具，Hadoop在企業(yè)級(jí)層面上的應(yīng)用將被看好。