大數(shù)據(jù)，首先你要能存的下大數(shù)據(jù)。

傳統(tǒng)的文件系統(tǒng)是單機(jī)的，不能橫跨不同的機(jī)器。HDFS(Hadoop Distributed FileSystem)的設(shè)計本質(zhì)上是為了大量的數(shù)據(jù)能橫跨成百上千臺機(jī)器，但是你看到的是一個文件系統(tǒng)而不是很多文件系統(tǒng)。比如你說我要獲取/hdfs/tmp/file1的數(shù)據(jù)，你引用的是一個文件路徑，但是實際的數(shù)據(jù)存放在很多不同的機(jī)器上。你作為用戶，不需要知道這些，就好比在單機(jī)上你不關(guān)心文件分散在什么磁道什么扇區(qū)一樣。HDFS為你管理這些數(shù)據(jù)。

存的下數(shù)據(jù)之后，你就開始考慮怎么處理數(shù)據(jù)。雖然HDFS可以為你整體管理不同機(jī)器上的數(shù)據(jù)，但是這些數(shù)據(jù)太大了。一臺機(jī)器讀取成T上P的數(shù)據(jù)(很大的數(shù)據(jù)哦，比如整個東京熱有史以來所有高清電影的大小甚至更大)，一臺機(jī)器慢慢跑也許需要好幾天甚至好幾周。對于很多公司來說，單機(jī)處理是不可忍受的，比如微博要更新24小時熱博，它必須在24小時之內(nèi)跑完這些處理。那么我如果要用很多臺機(jī)器處理，我就面臨了如何分配工作，如果一臺機(jī)器掛了如何重新啟動相應(yīng)的任務(wù)，機(jī)器之間如何互相通信交換數(shù)據(jù)以完成復(fù)雜的計算等等。這就是MapReduce / Tez / Spark的功能。MapReduce是第一代計算引擎，Tez和Spark是第二代。MapReduce的設(shè)計，采用了很簡化的計算模型，只有Map和Reduce兩個計算過程(中間用Shuffle串聯(lián))，用這個模型，已經(jīng)可以處理大數(shù)據(jù)領(lǐng)域很大一部分問題了。

那什么是Map什么是Reduce?

考慮如果你要統(tǒng)計一個巨大的文本文件存儲在類似HDFS上，你想要知道這個文本里各個詞的出現(xiàn)頻率。你啟動了一個MapReduce程序。Map階段，幾百臺機(jī)器同時讀取這個文件的各個部分，分別把各自讀到的部分分別統(tǒng)計出詞頻，產(chǎn)生類似(hello, 12100次)，(world，15214次)等等這樣的Pair(我這里把Map和Combine放在一起說以便簡化);這幾百臺機(jī)器各自都產(chǎn)生了如上的集合，然后又有幾百臺機(jī)器啟動Reduce處理。Reducer機(jī)器A將從Mapper機(jī)器收到所有以A開頭的統(tǒng)計結(jié)果，機(jī)器B將收到B開頭的詞匯統(tǒng)計結(jié)果(當(dāng)然實際上不會真的以字母開頭做依據(jù)，而是用函數(shù)產(chǎn)生Hash值以避免數(shù)據(jù)串化。因為類似X開頭的詞肯定比其他要少得多，而你不希望數(shù)據(jù)處理各個機(jī)器的工作量相差懸殊)。然后這些Reducer將再次匯總，(hello，12100)+(hello，12311)+(hello，345881)= (hello，370292)。每個Reducer都如上處理，你就得到了整個文件的詞頻結(jié)果。

這看似是個很簡單的模型，但很多算法都可以用這個模型描述了。

Map+Reduce的簡單模型很黃很暴力，雖然好用，但是很笨重。第二代的Tez和Spark除了內(nèi)存Cache之類的新feature，本質(zhì)上來說，是讓Map/Reduce模型更通用，讓Map和Reduce之間的界限更模糊，數(shù)據(jù)交換更靈活，更少的磁盤讀寫，以便更方便地描述復(fù)雜算法，取得更高的吞吐量。

有了MapReduce，Tez和Spark之后，程序員發(fā)現(xiàn)，MapReduce的程序?qū)懫饋碚媛闊?。他們希望簡化這個過程。這就好比你有了匯編語言，雖然你幾乎什么都能干了，但是你還是覺得繁瑣。你希望有個更高層更抽象的語言層來描述算法和數(shù)據(jù)處理流程。于是就有了Pig和Hive。Pig是接近腳本方式去描述MapReduce，Hive則用的是SQL。它們把腳本和SQL語言翻譯成MapReduce程序，丟給計算引擎去計算，而你就從繁瑣的MapReduce程序中解脫出來，用更簡單更直觀的語言去寫程序了。

有了Hive之后，人們發(fā)現(xiàn)SQL對比Java有巨大的優(yōu)勢。一個是它太容易寫了。剛才詞頻的東西，用SQL描述就只有一兩行，MapReduce寫起來大約要幾十上百行。而更重要的是，非計算機(jī)背景的用戶終于感受到了愛：我也會寫SQL!于是數(shù)據(jù)分析人員終于從乞求工程師幫忙的窘境解脫出來，工程師也從寫奇怪的一次性的處理程序中解脫出來。大家都開心了。Hive逐漸成長成了大數(shù)據(jù)倉庫的核心組件。甚至很多公司的流水線作業(yè)集完全是用SQL描述，因為易寫易改，一看就懂，容易維護(hù)。

自從數(shù)據(jù)分析人員開始用Hive分析數(shù)據(jù)之后，它們發(fā)現(xiàn)，Hive在MapReduce上跑，真雞巴慢!流水線作業(yè)集也許沒啥關(guān)系，比如24小時更新的推薦，反正24小時內(nèi)跑完就算了。但是數(shù)據(jù)分析，人們總是希望能跑更快一些。比如我希望看過去一個小時內(nèi)多少人在充氣娃娃頁面駐足，分別停留了多久，對于一個巨型網(wǎng)站海量數(shù)據(jù)下，這個處理過程也許要花幾十分鐘甚至很多小時。而這個分析也許只是你萬里長征的第一步，你還要看多少人瀏覽了跳蛋多少人看了拉赫曼尼諾夫的CD，以便跟老板匯報，我們的用戶是猥瑣男悶騷女更多還是文藝青年/少女更多。你無法忍受等待的折磨，只能跟帥帥的工程師蟈蟈說，快，快，再快一點(diǎn)!

于是Impala，Presto，Drill誕生了(當(dāng)然還有無數(shù)非著名的交互SQL引擎，就不一一列舉了)。三個系統(tǒng)的核心理念是，MapReduce引擎太慢，因為它太通用，太強(qiáng)壯，太保守，我們SQL需要更輕量，更激進(jìn)地獲取資源，更專門地對SQL做優(yōu)化，而且不需要那么多容錯性保證(因為系統(tǒng)出錯了大不了重新啟動任務(wù)，如果整個處理時間更短的話，比如幾分鐘之內(nèi))。這些系統(tǒng)讓用戶更快速地處理SQL任務(wù)，犧牲了通用性穩(wěn)定性等特性。如果說MapReduce是大砍刀，砍啥都不怕，那上面三個就是剔骨刀，靈巧鋒利，但是不能搞太大太硬的東西。

這些系統(tǒng)，說實話，一直沒有達(dá)到人們期望的流行度。因為這時候又兩個異類被造出來了。他們是Hive on Tez / Spark和SparkSQL。它們的設(shè)計理念是，MapReduce慢，但是如果我用新一代通用計算引擎Tez或者Spark來跑SQL，那我就能跑的更快。而且用戶不需要維護(hù)兩套系統(tǒng)。這就好比如果你廚房小，人又懶，對吃的精細(xì)程度要求有限，那你可以買個電飯煲，能蒸能煲能燒，省了好多廚具。

上面的介紹，基本就是一個數(shù)據(jù)倉庫的構(gòu)架了。底層HDFS，上面跑MapReduce/Tez/Spark，在上面跑Hive，Pig?；蛘逪DFS上直接跑Impala，Drill，Presto。這解決了中低速數(shù)據(jù)處理的要求。

#p#

那如果我要更高速的處理呢?

如果我是一個類似微博的公司，我希望顯示不是24小時熱博，我想看一個不斷變化的熱播榜，更新延遲在一分鐘之內(nèi)，上面的手段都將無法勝任。于是又一種計算模型被開發(fā)出來，這就是Streaming(流)計算。Storm是最流行的流計算平臺。流計算的思路是，如果要達(dá)到更實時的更新，我何不在數(shù)據(jù)流進(jìn)來的時候就處理了?比如還是詞頻統(tǒng)計的例子，我的數(shù)據(jù)流是一個一個的詞，我就讓他們一邊流過我就一邊開始統(tǒng)計了。流計算很牛逼，基本無延遲，但是它的短處是，不靈活，你想要統(tǒng)計的東西必須預(yù)先知道，畢竟數(shù)據(jù)流過就沒了，你沒算的東西就無法補(bǔ)算了。因此它是個很好的東西，但是無法替代上面數(shù)據(jù)倉庫和批處理系統(tǒng)。

還有一個有些獨(dú)立的模塊是KV Store，比如Cassandra，HBase，MongoDB以及很多很多很多很多其他的(多到無法想象)。所以KV Store就是說，我有一堆鍵值，我能很快速滴獲取與這個Key綁定的數(shù)據(jù)。比如我用身份證號，能取到你的身份數(shù)據(jù)。這個動作用MapReduce也能完成，但是很可能要掃描整個數(shù)據(jù)集。而KV Store專用來處理這個操作，所有存和取都專門為此優(yōu)化了。從幾個P的數(shù)據(jù)中查找一個身份證號，也許只要零點(diǎn)幾秒。這讓大數(shù)據(jù)公司的一些專門操作被大大優(yōu)化了。比如我網(wǎng)頁上有個根據(jù)訂單號查找訂單內(nèi)容的頁面，而整個網(wǎng)站的訂單數(shù)量無法單機(jī)數(shù)據(jù)庫存儲，我就會考慮用KV Store來存。KV Store的理念是，基本無法處理復(fù)雜的計算，大多沒法JOIN，也許沒法聚合，沒有強(qiáng)一致性保證(不同數(shù)據(jù)分布在不同機(jī)器上，你每次讀取也許會讀到不同的結(jié)果，也無法處理類似銀行轉(zhuǎn)賬那樣的強(qiáng)一致性要求的操作)。但是丫就是快。極快。

每個不同的KV Store設(shè)計都有不同取舍，有些更快，有些容量更高，有些可以支持更復(fù)雜的操作。必有一款適合你。

除此之外，還有一些更特制的系統(tǒng)/組件，比如Mahout是分布式機(jī)器學(xué)習(xí)庫，Protobuf是數(shù)據(jù)交換的編碼和庫，ZooKeeper是高一致性的分布存取協(xié)同系統(tǒng)，等等。

有了這么多亂七八糟的工具，都在同一個集群上運(yùn)轉(zhuǎn)，大家需要互相尊重有序工作。所以另外一個重要組件是，調(diào)度系統(tǒng)?，F(xiàn)在最流行的是Yarn。你可以把他看作中央管理，好比你媽在廚房監(jiān)工，哎，你妹妹切菜切完了，你可以把刀拿去殺雞了。只要大家都服從你媽分配，那大家都能愉快滴燒菜。

你可以認(rèn)為，大數(shù)據(jù)生態(tài)圈就是一個廚房工具生態(tài)圈。為了做不同的菜，中國菜，日本菜，法國菜，你需要各種不同的工具。而且客人的需求正在復(fù)雜化，你的廚具不斷被發(fā)明，也沒有一個萬用的廚具可以處理所有情況，因此它會變的越來越復(fù)雜。