大数据技术生态圈

大数据技术生态圈

大数据如今已经不再是什么新的名词,五中全会大数据上升为国家战略,BAT巨头早已布局多年,大数据时代已经真正来临,但我们真的准备好了么?

      大家都知道大数据中蕴含大量的数据价值,比如说淘宝与天猫的用户消费行为、滴滴打车可以知道用户每天去了哪里、用户在优酷上都看了那些视频、移动运营商的海量客户终端信息以及上网行为 、大型零售商每天的销售数据、订餐网上用户每天吃了什么,等等大数据金矿无处不在。但淘出来的才是金子,否则只是一堆土而已,即占用场地,还要花钱去保管和维护这堆土。

      大数据时代金矿已经有了,如何利用好这个金矿,某种意义上取决于我们手上的工具。熟话说没有那金刚钻,就别揽瓷器活,工具是否适用,直接决定着我们能否进行挖金,以及挖金的速度与效率。适合用铁锹还是挖掘机,对挖金来说有着质的不同。

      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。你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。你可以用汤锅直接当碗吃饭喝汤,你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。

1.HDFS

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,不能横跨不同的机器。HDFSHadoop 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。比如你说我要获取/hdfs/tmp/file1的数据,你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。你作为用户,不需要知道这些,就好比在单机上你不关心文件分散在什么磁道什么扇区一样。HDFS为你管理这些数据。

2.Map Reduce

      存的下数据之后,你就开始考虑怎么处理数据。虽然HDFS可以为你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TP的数据(很大的数据哦,比如整个东京热有史以来所有高清电影的大小甚至更大),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。那么我如果要用很多台机器处理,我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,TezSpark是第二代。MapReduce的设计,采用了很简化的计算模型,只有MapReduce两个计算过程(中间用Shuffle串联),使用这个模型,已经可以处理大数据领域很大一部分问题了。

 

      那什么是Map,什么是Reduce

 

      考虑如果你要统计一个巨大的文本文件(存储在类似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,产生类似(hello, 12100次),(world15214次)等等这样的Pair(这里把MapCombine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。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(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。因为类似X开头的词肯定比其他要少得多,而你不希望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,如(hello12100)+(hello12311)+(hello345881= hello370292)。每个Reducer都如上处理,你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。

 

      MapReduce的简单模型很直接很暴力,虽然好用,但是很笨重。第二代的TezSpark除了内存Cache之类的新feature,本质上来说,是让Map/Reduce模型更通用,让MapReduce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。

 

3.Hive

      有了MapReduceTezSpark之后,程序员发现,MapReduce的程序写起来真麻烦,希望能简化这个过程。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,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PigHivePig是接近脚本方式去描述MapReduceHive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,而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。

4.ImpalaPrestoDrill

自从数据分析人员开始用Hive分析数据之后,它们发现HiveMapReduce上跑,慢如流水!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。但是数据分析时,人们总是希望能跑更快一些。比如我希望看过去一个小时内多少人在天线宝宝页面驻足,分别停留了多久,对于一个巨型网站的海量数据,这个处理过程也许要花几十分钟甚至很多小时。而这个分析也许只是万里长征的第一步,你还要看多少人浏览了游戏,多少人看了拉赫曼尼诺夫的CD,以便跟老板汇报,我们的用户是宅男更多还是文艺青年/少女更多。你无法忍受等待的折磨,只能跟帅帅的工程师蝈蝈说,快,快,再快一点!

 

于是ImpalaPrestoDrill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)。三个系统的核心理念是,MapReduce引擎太慢,因为它太通用、太强壮、太保守,我们SQL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(因为系统出错了大不了重新启动任务,如果整个处理时间更短的话,比如几分钟之内)。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。如果说MapReduce是大砍刀,砍啥都不怕,那上面三个就是剔骨刀,灵巧锋利,但是不能搞太大太硬的东西。

 

5.Spark

这些系统,说实话,一直没有达到人们期望的流行度。因为这时候又两个异类被造出来了,他们是Hive on Tez / SparkSparkSQL。它们的设计理念是,MapReduce慢,但是如果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,而且用户不需要维护两套系统。这就好比如果你厨房小,人又懒,对吃的精细程度要求有限,那你可以买个电饭煲,能蒸能煲能烧,省了好多厨具。

6.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MapReduceTezSpark,再在上面跑HivePig。或者HDFS上直接跑ImpalaDrillPresto。这解决了中低速数据处理的要求。

 

那如果我要更高速的处理呢?

 

如果我是一个类似微博的公司,我希望显示不只是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,如果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?比如还是词频统计的例子,我的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。流计算很高明,基本无延迟,但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,你没算的东西就无法补算了。虽然它是个很好的东西,但是无法替代上面数据仓库和批处理系统。

 

7.CassandraHBaseMongoDB

还有一个有些独立的模块是KV Store,比如CassandraHBaseMongoDB以及很多很多很多很多其他的(多到无法想象)。KV Store就是说,由于我有一堆键值(key),我能很快速滴获取与这个Key绑定的数据。比如我用身份证号就能取到你的身份数据。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无法单机数据库存储,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,你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),但是就是快、极快。

 

每个不同的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。必有一款适合你。

8.YDB

   YDB是延云针对用户对大数据探索式、即席分析的需求而开发的分析软件,可以说是笔者的心头好。

 

      YDB将传统数据库索引技术应用在大数据技术上,打破目前大数据计算技术的僵局。将大数据检索向时效性更强,查询方式更灵活,执行效率更高的方向演进。虽然引用传统索引技术,但是对硬件的需求并不比Hadoop高,不会让小型用户望而却步。技术上YDB采用Java语言编写,接地气,SQL接口,用户也更易于上手使用,同时每天千亿增量万亿总量的数据量也能满足高端用户的需求。YDB主要技术方向在大索引,大索引的好处在于加快了检索的速度,减少查询中的分组、统计和排序时间,通过提高系统的性能和响应时间来节约资源。大索引技术的运用才能使YDB在如此大规模的数据量下依然保持查询响应时间在几秒,数据导入延迟在几分钟。

 

    大数据时代拼的不仅仅是数据量有多大,还要拼速度,拼谁的更快、更准、成本更低。大数据的运用领域还在不断的扩张,大索引技术还有很长的路要走。终有一天大数据会带给我们震撼世界的影响。