對(duì)于Hadoop未來的技術(shù)發(fā)展方向，Cutting表示谷歌已經(jīng)給出了相關(guān)路線圖。“谷歌發(fā)布GFS和MapReduce的論文后，我們很快地將其復(fù)制到Hadoop項(xiàng)目中。這些年以來，谷歌在很多方面激勵(lì)著Hadoop開源堆棧。谷歌的Sawzall系統(tǒng)催生了Pig和Hive，而BigTable則直接啟發(fā)了HBase。我很激動(dòng)地看到，今年谷歌發(fā)表了名為Spanner的論文，其中介紹了在分布式數(shù)據(jù)庫系統(tǒng)實(shí)現(xiàn)傳輸?shù)臋C(jī)制?？赡芎芏嗳硕紩?huì)認(rèn)為這不會(huì)很快成為現(xiàn)實(shí)，但卻為我們指明了前進(jìn)的方向。”Cutting說。
Cutting指出，作為一項(xiàng)復(fù)雜技術(shù)，Spanner并不會(huì)很快成為Hadoop的一部分，但它確實(shí)明確了技術(shù)發(fā)展的方向。他同時(shí)還提到了Impala(Cloudera最新發(fā)布的數(shù)據(jù)庫引擎)，它可以使用SQL查詢存儲(chǔ)在HBase中的數(shù)據(jù)集。 Impala將為用戶帶來交互式在線查詢的新體驗(yàn)，它同樣追隨了谷歌的一些研究成果，已經(jīng)發(fā)布了一段時(shí)間。Cutting認(rèn)為，Impala將發(fā)展成為一個(gè)通用的技術(shù)平臺(tái)。
“我們已經(jīng)知曉前進(jìn)方向，并且知道如何去實(shí)現(xiàn)目標(biāo)。所以，我鼓勵(lì)大家現(xiàn)在就開始使用Hadoop，因?yàn)樵谖磥砟銓⑹斋@更多。”Cutting說。
“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(xiàng)目創(chuàng)始人Doug Cutting近日表示。
作為一個(gè)批處理計(jì)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(shí)時(shí)數(shù)據(jù)可見性所需要的在線互動(dòng)數(shù)據(jù)處理。事實(shí)是這樣的嗎?Hadoop的創(chuàng)造者兼Apache Hadoop項(xiàng)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(gè)超越批處理的未來。”
“批處理有其用武之地。例如，你需要移動(dòng)大量數(shù)據(jù)并分析所有數(shù)據(jù)的時(shí)候。但我仍認(rèn)為，人們真正想要的是批處理和在線計(jì)算的結(jié)合體。Hadoop將會(huì)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(huì)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(gè)批處理計(jì)算引擎，事實(shí)上，這是我們開始的地方(結(jié)合MapReduce)。MapReduce是一個(gè)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(gè)編程模型，由谷歌公司設(shè)計(jì)，用于使用分布式計(jì)算批量并行處理海量數(shù)據(jù)。MapReduce得到一個(gè)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(diǎn)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(jì)算移向數(shù)據(jù)。這樣一來，當(dāng)你處理數(shù)據(jù)時(shí)就不需要到處復(fù)制數(shù)據(jù)，并且它還形成了一個(gè)共享平臺(tái)。構(gòu)建分布式系統(tǒng)是一個(gè)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(gè)堅(jiān)實(shí)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(tái)的通用性，Cutting描述了他所認(rèn)為的Hadoop的兩個(gè)核心主題。首先，Hadoop平臺(tái)具有很好的可擴(kuò)展性，不僅適用于存儲(chǔ)在內(nèi)存中的小數(shù)據(jù)集，還能夠擴(kuò)展到處理龐大的數(shù)據(jù)集。
“評(píng)估可擴(kuò)展性的一個(gè)關(guān)鍵因素是經(jīng)濟(jì)承受能力。我們?cè)谕ㄓ糜布脚_(tái)上運(yùn)行是因?yàn)樗试S你進(jìn)一步地?cái)U(kuò)展。如果你可以購買10倍的存儲(chǔ)量，那么就可以存儲(chǔ)10倍的數(shù)據(jù)量。所以，經(jīng)濟(jì)承受能力是關(guān)鍵，這也是我們使用通用硬件的原因，因?yàn)樗亲罱?jīng)濟(jì)實(shí)惠的平臺(tái)。”Cutting說。
Hadoop另一個(gè)關(guān)鍵特性在于開源。Cutting指出，開源軟件是非常實(shí)惠的。開發(fā)者可以向供應(yīng)商付費(fèi)，但是為了他們所提供的價(jià)值而付費(fèi)。開發(fā)者不需要年復(fù)一年地付費(fèi)，隨著時(shí)間的推移，供應(yīng)商需要通過向你提供價(jià)值來贏得開發(fā)者的信任和信心。此外，對(duì)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(shí)，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(shí)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(gè)在線計(jì)算系統(tǒng)，而不是批處理計(jì)算系統(tǒng)。