[[165646]]

　　有一個(gè)大數(shù)據(jù)項(xiàng)目，你知道問題領(lǐng)域(problem domain)，也知道使用什么基礎(chǔ)設(shè)施，甚至可能已決定使用哪種框架來處理所有這些數(shù)據(jù)，但是有一個(gè)決定遲遲未能做出：我該選擇哪種語言?(或者可能更有針對(duì)性的問題是，我該迫使我的所有開發(fā)人員和數(shù)據(jù)科學(xué)家非要用哪種語言?)這個(gè)問題不會(huì)推遲太久，遲早要定奪。

　　當(dāng)然，沒有什么阻止得了你使用其他機(jī)制(比如XSLT轉(zhuǎn)換)來處理大數(shù)據(jù)工作。但通常來說，如今大數(shù)據(jù)方面有三種語言可以選擇：R、Python和Scala，外加一直以來屹立于企業(yè)界的Java。那么，你該選擇哪種語言?為何要選擇它，或者說何時(shí)選擇它?

　　下面簡(jiǎn)要介紹了每種語言，幫助你做出合理的決定。

　　R

　　R經(jīng)常被稱為是“統(tǒng)計(jì)人員為統(tǒng)計(jì)人員開發(fā)的一種語言”。如果你需要深?yuàn)W的統(tǒng)計(jì)模型用于計(jì)算，可能會(huì)在CRAN上找到它――你知道，CRAN叫綜合R檔案網(wǎng)絡(luò)(Comprehensive R Archive Network)并非無緣無故。說到用于分析和標(biāo)繪，沒有什么比得過ggplot2。而如果你想利用比你機(jī)器提供的功能還強(qiáng)大的功能，那可以使用SparkR綁定，在R上運(yùn)行Spark。

　　然而，如果你不是數(shù)據(jù)科學(xué)家，之前也沒有用過Matlab、SAS或OCTAVE，可能需要一番調(diào)整，才能使用R來高效地處理。雖然R很適合分析數(shù)據(jù)，但是就一般用途而言不太擅長(zhǎng)。你可以用R構(gòu)建模型，但是你需要考慮將模型轉(zhuǎn)換成Scala或Python，才能用于生產(chǎn)環(huán)境，你不太可能使用這種語言編寫一種集群控制系統(tǒng)(運(yùn)氣好的話，你可以對(duì)它進(jìn)行調(diào)試)。

　　Python

　　如果你的數(shù)據(jù)科學(xué)家不使用R，他們可能就會(huì)徹底了解Python。十多年來，Python在學(xué)術(shù)界當(dāng)中一直很流行，尤其是在自然語言處理(NLP)等領(lǐng)域。因而，如果你有一個(gè)需要NLP處理的項(xiàng)目，就會(huì)面臨數(shù)量多得讓人眼花繚亂的選擇，包括經(jīng)典的NTLK、使用GenSim的主題建模，或者超快、準(zhǔn)確的spaCy。同樣，說到神經(jīng)網(wǎng)絡(luò)，Python同樣游刃有余，有Theano和Tensorflow;隨后還有面向機(jī)器學(xué)習(xí)的scikit-learn，以及面向數(shù)據(jù)分析的NumPy和Pandas。

　　還有Juypter/iPython――這種基于Web的筆記本服務(wù)器框架讓你可以使用一種可共享的日志格式，將代碼、圖形以及幾乎任何對(duì)象混合起來。這一直是Python的殺手級(jí)功能之一，不過這年頭，這個(gè)概念證明大有用途，以至于出現(xiàn)在了奉行讀取-讀取-輸出-循環(huán)(REPL)概念的幾乎所有語言上，包括Scala和R。

　　Python往往在大數(shù)據(jù)處理框架中得到支持，但與此同時(shí)，它往往又不是“一等公民”。比如說，Spark中的新功能幾乎總是出現(xiàn)在Scala/Java綁定的首位，可能需要用PySpark編寫面向那些更新版的幾個(gè)次要版本(對(duì)Spark Streaming/MLLib方面的開發(fā)工具而言尤為如此)。

　　與R相反，Python是一種傳統(tǒng)的面向?qū)ο笳Z言，所以大多數(shù)開發(fā)人員用起來會(huì)相當(dāng)?shù)眯膽?yīng)手，而初次接觸R或Scala會(huì)讓人心生畏懼。一個(gè)小問題就是你的代碼中需要留出正確的空白處。這將人員分成兩大陣營(yíng)，一派覺得“這非常有助于確保可讀性”，另一派則認(rèn)為，2016年，我們應(yīng)該不需要就因?yàn)橐恍写a有個(gè)字符不在適當(dāng)?shù)奈恢茫鸵仁菇忉屍髯尦绦蜻\(yùn)行起來。

　　Scala

　　現(xiàn)在說說Scala：在本文介紹的四種語言中，Scala是最輕松的語言，因?yàn)榇蠹叶夹蕾p其類型系統(tǒng)。Scala在JVM上運(yùn)行，基本上成功地結(jié)合了函數(shù)范式和面向?qū)ο蠓妒?，目前它在金融界和需要處理海量?shù)據(jù)的公司企業(yè)中取得了巨大進(jìn)展，常常采用一種大規(guī)模分布式方式來處理(比如Twitter和LinkedIn)。它還是驅(qū)動(dòng)Spark和Kafka的一種語言。

　　由于Scala在JVM里面運(yùn)行，它可以立即隨意訪問Java生態(tài)系統(tǒng)，不過它也有一系列廣泛的“原生”庫，用于處理大規(guī)模數(shù)據(jù)(尤其是Twitter的Algebird和Summingbird)。它還包括一個(gè)使用非常方便的REPL，用于交互式開發(fā)和分析，就像使用Python和R那樣。

　　我個(gè)人非常喜歡Scala，因?yàn)樗ㄔS多實(shí)用的編程功能，比如模式匹配，而且被認(rèn)為比標(biāo)準(zhǔn)的Java簡(jiǎn)潔得多。然而，用Scala來開發(fā)不止一種方法，這種語言將此作為一項(xiàng)特色來宣傳。這是好事!不過考慮到它擁有圖靈完備(Turing-complete)的類型系統(tǒng)和各種彎彎曲曲的運(yùn)算符(“/:”代表foldLeft，“:\”代表foldRight)，很容易打開Scala文件，以為你看到的是某段討厭的Perl代碼。這就需要在編寫Scala時(shí)遵循一套好的實(shí)踐和準(zhǔn)則(Databricks的就很合理)。

　　另一個(gè)缺點(diǎn)是，Scala編譯器運(yùn)行起來有點(diǎn)慢，以至于讓人想起以前“編譯!”的日子。不過，它有REPL、支持大數(shù)據(jù)，還有采用Jupyter和Zeppelin這一形式的基于Web的筆記本框架，所以我覺得它的許多小問題還是情有可原。

　　Java

　　最終，總是少不了Java――這種語言沒人愛，被遺棄，歸一家只有通過起訴谷歌才有錢可賺時(shí)才似乎關(guān)心它的公司(注：Oracle)所有，完全不時(shí)髦。只有企業(yè)界的無人機(jī)才使用Java!不過，Java可能很適合你的大數(shù)據(jù)項(xiàng)目。想一想Hadoop MapReduce，它用Java編寫。HDFS呢?也用Java來編寫。連Storm、Kafka和Spark都可以在JVM上運(yùn)行(使用Clojure和Scala)，這意味著Java是這些項(xiàng)目中的“一等公民”。另外還有像Google Cloud Dataflow(現(xiàn)在是Apache Beam)這些新技術(shù)，直到最近它們還只支持Java。

　　Java也許不是搖滾明星般備受喜愛的首選語言。但是由于研發(fā)人員在竭力理清Node.js應(yīng)用程序中的一套回調(diào)，使用Java讓你可以訪問一個(gè)龐大的生態(tài)系統(tǒng)(包括分析器、調(diào)試器、監(jiān)控工具以及確保企業(yè)安全和互操作性的庫)，以及除此之外的更多內(nèi)容，大多數(shù)內(nèi)容在過去二十年已久經(jīng)考驗(yàn)(很遺憾，Java今年迎來21歲，我們都老矣)。

　　炮轟Java的一個(gè)主要理由是，非常繁瑣冗長(zhǎng)，而且缺少交互式開發(fā)所需的REPL(R、Python和Scala都有)。我見過10行基于Scala的Spark代碼迅速變成用Java編寫的變態(tài)的200行代碼，還有龐大的類型語句，它們占據(jù)了屏幕的大部分空間。然而，Java 8中新的Lambda支持功能對(duì)于改善這種情況大有幫助。Java從來不會(huì)像Scala那么緊湊，但是Java 8確確實(shí)實(shí)使得用Java進(jìn)行開發(fā)不那么痛苦。

　　至于REPL?好吧，目前還沒有。明年推出的Java 9會(huì)包括JShell，有望滿足你的所有REPL要求。

　　哪種語言勝出?

　　你該使用哪種語言用于大數(shù)據(jù)項(xiàng)目?恐怕這還得“視情況而定”。如果你對(duì)晦澀的統(tǒng)計(jì)運(yùn)算進(jìn)行繁重的數(shù)據(jù)分析工作，那么你不青睞R才怪。如果你跨GPU進(jìn)行NLP或密集的神經(jīng)網(wǎng)絡(luò)處理，那么Python是很好的選擇。如果想要一種加固的、面向生產(chǎn)環(huán)境的數(shù)據(jù)流解決方案，又擁有所有重要的操作工具，Java或Scala絕對(duì)是出色的選擇。

　　當(dāng)然，不一定非此即彼。比如說，如果使用Spark，你可以借助靜態(tài)數(shù)據(jù)，使用R或Python來訓(xùn)練模型和機(jī)器學(xué)習(xí)管道(pipeline)，然后對(duì)該管道進(jìn)行序列化處理，倒出到存儲(chǔ)系統(tǒng)，那里它可以供你的生產(chǎn)Scala Spark Streaming應(yīng)用程序使用。雖然你不應(yīng)該過分迷戀某一種語言(不然你的團(tuán)隊(duì)很快會(huì)產(chǎn)生語言疲勞)，使用一套發(fā)揮各自所長(zhǎng)的異構(gòu)語言也許會(huì)給大數(shù)據(jù)項(xiàng)目帶來成效。