大數(shù)據(jù)是當(dāng)今許多企業(yè)IT運(yùn)營(yíng)的一個(gè)重要組成部分。據(jù)知名調(diào)研公司IDC預(yù)測(cè)，到2019年，大數(shù)據(jù)市場(chǎng)產(chǎn)值將達(dá)到1870億美元。大數(shù)據(jù)是數(shù)據(jù)分析的一個(gè)關(guān)鍵部分，而分析又是機(jī)器和人類商業(yè)智能及決策的基礎(chǔ)。因?yàn)楹苊黠@，要是沒(méi)有某種基礎(chǔ)設(shè)施，你無(wú)法獲得各種數(shù)據(jù)：大數(shù)據(jù)、小數(shù)據(jù)或完全正確的數(shù)據(jù)，所以有必要看一看有助于構(gòu)建成功大數(shù)據(jù)架構(gòu)的幾個(gè)因素。
其中，一些因素可能看起來(lái)很明顯，另一些則比較微妙。實(shí)際上，所有因素共同對(duì)你的大數(shù)據(jù)系統(tǒng)將支持的分析和行動(dòng)帶來(lái)巨大的影響。
當(dāng)然，不是說(shuō)只有這七個(gè)因素才會(huì)對(duì)大數(shù)據(jù)基礎(chǔ)設(shè)施的工作方式帶來(lái)影響。大數(shù)據(jù)系統(tǒng)牽涉好多部分，但這七個(gè)因素值得你考慮，因?yàn)樗鼈兪窃S多其他部分和流程的基礎(chǔ)。
眼下，你可能在使用大數(shù)據(jù)，即便你是在一家小公司工作。這要拜現(xiàn)有的基礎(chǔ)設(shè)施部分所賜――其中許多部分連最小的IT部門(mén)也能訪問(wèn)。
伴隨這種可訪問(wèn)性而來(lái)的是，那些本身并不擁有數(shù)據(jù)科學(xué)專長(zhǎng)的小公司員工可能感到困惑和沮喪。如果你處于這種情形，本文不會(huì)消除你的所有困惑，但是讓你可以開(kāi)始向潛在的服務(wù)提供商和供應(yīng)商提一些針對(duì)性的問(wèn)題。
大數(shù)據(jù)遠(yuǎn)不止Hadoop
在平常的談話中，大數(shù)據(jù)和Hadoop常常被人換著使用。這樣的結(jié)果讓人遺憾，因?yàn)榇髷?shù)據(jù)遠(yuǎn)不止Hadoop。 Hadoop是一種文件系統(tǒng)(而不是數(shù)據(jù)庫(kù))，旨在跨數(shù)百或數(shù)千個(gè)處理節(jié)點(diǎn)傳送數(shù)據(jù)。它用于許多大數(shù)據(jù)應(yīng)用，原因是作為一種文件系統(tǒng)，它擅長(zhǎng)處理非結(jié)構(gòu)化數(shù)據(jù)，這類數(shù)據(jù)甚至不像其周圍的數(shù)據(jù)。當(dāng)然，一些大數(shù)據(jù)是結(jié)構(gòu)化的，為此你需要一個(gè)數(shù)據(jù)庫(kù)。但數(shù)據(jù)庫(kù)是本文介紹的一個(gè)不同因素。
Hive和Impala將數(shù)據(jù)庫(kù)引入到Hadoop
這里說(shuō)的是面向大數(shù)據(jù)世界中結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)庫(kù)。如果你想讓Hadoop數(shù)據(jù)平臺(tái)井然有序，那么Hive可能正是你需要的。這種基礎(chǔ)設(shè)施工具讓你可以針對(duì)非常不像SQL的Hadoop處理類似SQL的操作。
如果你有一部分?jǐn)?shù)據(jù)很容易放在結(jié)構(gòu)化數(shù)據(jù)庫(kù)中，那么Impala是旨在駐留在Hadoop里面的數(shù)據(jù)庫(kù)，它還可以使用你從Hadoop轉(zhuǎn)換到SQL過(guò)程中開(kāi)發(fā)的Hive命令。所有這三個(gè)(Hadoop、Hive和Impala)都是Apache項(xiàng)目，所以它們都是開(kāi)源的。
Spark用于處理大數(shù)據(jù)
到目前為止，我們一直在談?wù)摯鎯?chǔ)和組織數(shù)據(jù)。但是，如果你想實(shí)際處理數(shù)據(jù)又怎么樣?這時(shí)候，你就需要一種像Spark這樣的分析和處理引擎。Spark是另一個(gè)Apache項(xiàng)目，它包括一批開(kāi)源和商業(yè)產(chǎn)品，拿來(lái)你添加到數(shù)據(jù)湖、倉(cāng)庫(kù)和數(shù)據(jù)庫(kù)的數(shù)據(jù)后，對(duì)數(shù)據(jù)做一些有用的操作。
由于它可以訪問(wèn)你能想象的任何數(shù)據(jù)的庫(kù)，Spark可用于處理存儲(chǔ)在各種地方的各種數(shù)據(jù)。它同樣是開(kāi)源的，所以你可以隨意修改它。
你可以對(duì)大數(shù)據(jù)執(zhí)行SQL操作
許多人知道如何構(gòu)建SQL數(shù)據(jù)庫(kù)和編寫(xiě)SQL查詢。面對(duì)大數(shù)據(jù)時(shí)，這種專長(zhǎng)沒(méi)有必要浪費(fèi)。Presto是一種開(kāi)源SQL查詢引擎，它讓數(shù)據(jù)科學(xué)家可以使用SQL查詢，查詢駐留在從Hive到專有商業(yè)數(shù)據(jù)庫(kù)管理系統(tǒng)的任何環(huán)境的數(shù)據(jù)庫(kù)。它被Facebook之類的大公司用于交互式查詢，而交互式查詢這個(gè)短語(yǔ)是關(guān)鍵。Presto就好比是一種對(duì)龐大數(shù)據(jù)集執(zhí)行即席交互式查詢的工具。
在線存儲(chǔ)有一席之地
一些大數(shù)據(jù)任務(wù)需要用到不斷變化的數(shù)據(jù)。有時(shí)候，這是定期添加的數(shù)據(jù)，有時(shí)是通過(guò)分析而更改的數(shù)據(jù)。不管在什么情況下，如果你的數(shù)據(jù)寫(xiě)入與讀取一樣頻繁，那么你就需要該數(shù)據(jù)存儲(chǔ)在本地、聯(lián)機(jī)。如果你支付得起成本，還希望數(shù)據(jù)存儲(chǔ)在固態(tài)存儲(chǔ)介質(zhì)上，因?yàn)檫@會(huì)大大加快速度――如果你在零售或交易場(chǎng)地的人員焦急地等待結(jié)果返回，這是個(gè)重要的考慮因素。
云存儲(chǔ)也有一席之地
如果在更龐大的聚合數(shù)據(jù)庫(kù)上進(jìn)行分析，那么云是完美的平臺(tái)。聚合數(shù)據(jù)并傳輸?shù)皆?，運(yùn)行分析，然后拆掉實(shí)例。這正是云最擅長(zhǎng)的那種彈性需求響應(yīng)。操作不會(huì)受到互聯(lián)網(wǎng)可能帶來(lái)的任何延遲問(wèn)題的顯著影響。如果你把在專用本地系統(tǒng)上進(jìn)行的實(shí)時(shí)分析與云端運(yùn)行的深度分析結(jié)合起來(lái)，那么離充分發(fā)揮大數(shù)據(jù)基礎(chǔ)設(shè)施的潛力近在咫尺。