“大數(shù)據(jù)不是炒作，也不是泡沫。Hadoop在未來將繼續(xù)追隨谷歌的腳步。”Hadoop的創(chuàng)造者兼Apache Hadoop項目創(chuàng)始人Doug Cutting近日表示。
作為一個批處理計算引擎，Apache Hadoop是大數(shù)據(jù)核心的開源軟件框架。有一種說法是，Hadoop并不適用于真正實時數(shù)據(jù)可見性所需要的在線互動數(shù)據(jù)處理。事實是這樣的嗎?Hadoop的創(chuàng)造者兼Apache Hadoop項目創(chuàng)始人(現(xiàn)任Cloudera公司首席架構(gòu)師)Doug Cutting說：“相信Hadoop擁有一個超越批處理的未來。”
“批處理有其用武之地。例如，你需要移動大量數(shù)據(jù)并分析所有數(shù)據(jù)的時候。但我仍認(rèn)為，人們真正想要的是批處理和在線計算的結(jié)合體。Hadoop將會成為企業(yè)未來主流數(shù)據(jù)處理系統(tǒng)的內(nèi)核。” Cutting說。
Hadoop行至何處?
在剛剛結(jié)束的Strata Conference+Hadoop World會議上，Cutting解釋了Hadoop堆棧的核心思想，以及其未來的發(fā)展方向。“Hadoop被看作是一個批處理計算引擎，事實上，這是我們開始的地方(結(jié)合MapReduce)。MapReduce是一個很棒的工具，目前市場上有很多關(guān)于如何在MapReduce上部署各種算法的書籍。”Cutting說。
MapReduce是一個編程模型，由谷歌公司設(shè)計，用于使用分布式計算批量并行處理海量數(shù)據(jù)。MapReduce得到一個輸入，然后將其分成很多更小的子問題，這些問題被分配到不同節(jié)點來并行處理。然后，它們重新組合子問題的答案以形成輸出。
“這是非常有效的，”Cutting表示，“它允許你把計算移向數(shù)據(jù)。這樣一來，當(dāng)你處理數(shù)據(jù)時就不需要到處復(fù)制數(shù)據(jù)，并且它還形成了一個共享平臺。構(gòu)建分布式系統(tǒng)是一個復(fù)雜的過程，所以我們不希望反反復(fù)復(fù)重新部署它。MapReduce被證明是一個堅實的基礎(chǔ)，依托MapReduce開發(fā)出了很多工具，例如 Pig和Hive。”
Hadoop關(guān)鍵特性
為了證明Hadoop大數(shù)據(jù)平臺的通用性，Cutting描述了他所認(rèn)為的Hadoop的兩個核心主題。首先，Hadoop平臺具有很好的可擴展性，不僅適用于存儲在內(nèi)存中的小數(shù)據(jù)集，還能夠擴展到處理龐大的數(shù)據(jù)集。
“評估可擴展性的一個關(guān)鍵因素是經(jīng)濟承受能力。我們在通用硬件平臺上運行是因為它允許你進一步地擴展。如果你可以購買10倍的存儲量，那么就可以存儲10倍的數(shù)據(jù)量。所以，經(jīng)濟承受能力是關(guān)鍵，這也是我們使用通用硬件的原因，因為它是最經(jīng)濟實惠的平臺。”Cutting說。
Hadoop另一個關(guān)鍵特性在于開源。Cutting指出，開源軟件是非常實惠的。開發(fā)者可以向供應(yīng)商付費，但是為了他們所提供的價值而付費。開發(fā)者不需要年復(fù)一年地付費，隨著時間的推移，供應(yīng)商需要通過向你提供價值來贏得開發(fā)者的信任和信心。此外，對于Hadoop而言，用戶可以以原始的形態(tài)保存數(shù)據(jù)，然后，當(dāng)你使用數(shù)據(jù)時，再使用不同的模式。
大數(shù)據(jù)領(lǐng)域另一種流行的做法是，在通常情況下，與更聰明的算法相比，分析更多的數(shù)據(jù)能夠幫助你更好地了解你的問題。也就是說，你應(yīng)該花更多的時間來收集數(shù)據(jù)，而不是調(diào)整較小數(shù)據(jù)集所采用的算法。直觀地說，這很像是具有更高分辨率的圖像，如果你試圖分析圖片，你應(yīng)該選擇放大高分辨率圖片，而不是低分辨率圖像。
Cutting還指出，批處理并不算是Hadoop的典型特性。例如，仿效谷歌BigTable的HBase是Hadoop堆棧的一部分，它已經(jīng)成為非常成功的開源非關(guān)系型分布式數(shù)據(jù)庫。HBase是一個在線計算系統(tǒng)，而不是批處理計算系統(tǒng)。
“HBase 也支持批處理，它與HDFS以及Hadoop堆棧的其他組件共享存儲。我認(rèn)為這也是HBase如此受歡迎的原因之一。HBase被整合到系統(tǒng)的其他部分中，而不是成為一個獨立的系統(tǒng)。它可以與堆棧的其他組件進行共享，可以對可用性、安全性和災(zāi)難恢復(fù)等特性進行共享。”Cutting解釋說。
技術(shù)未來展望
如果Hadoop不僅僅是批處理計算平臺，而是成為一個更為通用的數(shù)據(jù)處理平臺，它將會變成什么樣，它到底將走向何方?Cutting表示，我們當(dāng)然希望擁有開源的大數(shù)據(jù)平臺，并且能夠在通用硬件上運行。同時，我們還希望它具有線性擴展能力，也就是說，如果你需要存儲10倍數(shù)據(jù)，只需要購買10倍的硬件就可以了。無論你的數(shù)據(jù)集變得有多大，都可以采用這樣的方式進行擴展。
性能方面同樣是如此。對于批處理性能，如果你需要更大的批處理吞吐量或更小的延遲，你只需要增加硬件數(shù)量即可。而對于交互式查詢，也是同樣。增加硬件就能為你帶來性能和數(shù)據(jù)處理量級方面的線性擴展。Cutting還表示：“人們通常會認(rèn)為，采用大數(shù)據(jù)平臺后，需要放棄某些東西。我不這樣認(rèn)為的。從長期來看，我們不需要放棄任何的功能。”