當(dāng)前這個數(shù)據(jù)時代，各領(lǐng)域各業(yè)務(wù)場景時時刻刻都有大量的數(shù)據(jù)產(chǎn)生，如何理解大數(shù)據(jù)，對這些數(shù)據(jù)進行有效的處理成為很多企業(yè)和研究機構(gòu)所面臨的問題。本文將從大數(shù)據(jù)的基礎(chǔ)特性開始，進而解釋分而治之的處理思想，最后介紹一些流行的大數(shù)據(jù)技術(shù)和組件，讀者能夠通過本文了解大數(shù)據(jù)的概念、處理方法和流行技術(shù)。  

[[284173]]

什么是大數(shù)據(jù)?

大數(shù)據(jù)，顧名思義，就是擁有龐大體量的數(shù)據(jù)。關(guān)于什么是大數(shù)據(jù)，如何定義大數(shù)據(jù)，如何使用大數(shù)據(jù)等一系列問題，不同領(lǐng)域背景的朋友理解各不相同。IBM將大數(shù)據(jù)歸納為5個V[^1]，涵蓋了大數(shù)據(jù)絕大多數(shù)的特性。 

大數(shù)據(jù)的5個V

• Volume：數(shù)據(jù)量大，從TB(1,024 GB)、PB(1,024 TB)、EB(1,024 PB)、ZB(1,024 EB)甚至到Y(jié)B(1,024 ZB)。紐約證交所每天產(chǎn)生的交易數(shù)據(jù)大約在TB級，瑞士日內(nèi)瓦附近的大型強子對撞機每年產(chǎn)生的數(shù)據(jù)約為PB級，而目前全球數(shù)據(jù)總量已經(jīng)在ZB級，相當(dāng)于 1,000,000 PB，也就是大家更熟悉的10億 TB。基于更大規(guī)模的數(shù)據(jù)，我們可以對某個研究對象的歷史、現(xiàn)狀和未來有更加全面的了解。
• Velocity：數(shù)據(jù)產(chǎn)生速度快，所要求的處理速度和時效性高，因為時間就是金錢。金融市場的交易數(shù)據(jù)必須以秒級的速度進行處理，搜索和推薦引擎需要在分鐘級將實時新聞推送給用戶。更快的數(shù)據(jù)處理速度，讓我們基于新的數(shù)據(jù)上做更加實時的決策。
• Variety：數(shù)據(jù)類型繁多，包括數(shù)字、文字、圖片、視頻等不同的數(shù)據(jù)形式，也包括來自社交網(wǎng)絡(luò)、視頻網(wǎng)站、可穿戴設(shè)備以及各類傳感器的數(shù)據(jù)。數(shù)據(jù)可能是Excel里高度結(jié)構(gòu)化的數(shù)據(jù)，也可能是圖片和視頻這種非結(jié)構(gòu)化的數(shù)據(jù)。
• Veracity：數(shù)據(jù)真實性。一方面，數(shù)據(jù)并非天然具有高價值，一些異常值會被摻雜進來，例如，統(tǒng)計偏差、人的情感影響、天氣、經(jīng)濟因素甚至謊報數(shù)據(jù)等。另一方面，數(shù)據(jù)源類型不同，數(shù)據(jù)源多樣，如何將這些多元異構(gòu)數(shù)據(jù)連接、匹配、清洗和轉(zhuǎn)化，形成具有高置信度的數(shù)據(jù)是一項非常有挑戰(zhàn)的工作。
• Value：數(shù)據(jù)價值。我們研究和利用大數(shù)據(jù)的最終目的是提供更有價值的決策支持，基于以上提到的四個V，挖掘大數(shù)據(jù)的深層價值。

在數(shù)據(jù)分析領(lǐng)域，研究對象的全部被稱為總體(Population)，總體包含大量的數(shù)據(jù)，甚至說數(shù)據(jù)可能是無限的。比如調(diào)查15個國家的國民的誠信情況，所有國民是總體。很多情況下，我們無法保證能收集和分析總體的所有數(shù)據(jù)，因此研究者一般基于研究對象的一個子集進行數(shù)據(jù)分析。樣本(Sample)是從總體中抽取的個體，是研究對象的子集，通過對樣本的調(diào)查和分析，研究者可以推測總體的情況。在誠信調(diào)查的案例中，我們可以在每個國家抽取一部分國民作為樣本，以此推測該國國民的誠信水平。

在大數(shù)據(jù)技術(shù)成熟之前，受限于數(shù)據(jù)收集、存儲和分析能力，樣本數(shù)量相對較小，大數(shù)據(jù)技術(shù)的出現(xiàn)讓數(shù)據(jù)存儲和分析能力不再是瓶頸，研究者可以在更大規(guī)模的數(shù)據(jù)上，以更快地速度進行數(shù)據(jù)分析。但數(shù)據(jù)并非天然有價值，如何讓數(shù)據(jù)點石成金非常有挑戰(zhàn)。在誠信調(diào)查中，如果我們直接詢問樣本對象：“你是否謊報了自己和家庭的資產(chǎn)以獲取更大的金融借貸額度?”十之八九，我們得不到真實的答案，但我們可以綜合多種渠道來分析該問題，比如結(jié)合樣本對象的工作經(jīng)歷、征信記錄等數(shù)據(jù)。

可見，大數(shù)據(jù)具有更大的數(shù)據(jù)量、更快的速度、更多的數(shù)據(jù)類型的特點。在一定的數(shù)據(jù)真實性基礎(chǔ)上，大數(shù)據(jù)技術(shù)最終為數(shù)據(jù)背后的價值服務(wù)。

隨著大數(shù)據(jù)技術(shù)的發(fā)展，數(shù)據(jù)的復(fù)雜性越來越高，有人在這5個V的基礎(chǔ)上，又提出了一些補充，比如增加了動態(tài)性(Vitality)，強調(diào)整個數(shù)據(jù)體系的動態(tài)性;增加了可視性(Visualization)，強調(diào)數(shù)據(jù)的顯性化展現(xiàn);增加了合法性(Validity)，強調(diào)數(shù)據(jù)采集和應(yīng)用的合法性，特別是對于個人隱私數(shù)據(jù)的合理使用等;增加了數(shù)據(jù)在線(Online)，強調(diào)數(shù)據(jù)永遠在線，能隨時調(diào)用和計算。

分布式計算 分而治之

計算機誕生之后，一般是在單臺計算機上處理數(shù)據(jù)。大數(shù)據(jù)時代到來后，一些傳統(tǒng)的數(shù)據(jù)處理方法無法滿足大數(shù)據(jù)的處理需求，將一組計算機組織到一起形成一個集群，利用集群的力量來處理大數(shù)據(jù)的工程實踐逐漸成為主流方案。這種使用集群進行計算的方式被稱為分布式計算，當(dāng)前幾乎所有的大數(shù)據(jù)系統(tǒng)都是在集群進行分布式計算。 

分而治之的算法思想

分布式計算的概念聽起來很高深，其背后的思想十分樸素，即分而治之(Divide and Conquer)，又被稱為分治法。分治法將一個原始問題分解為子問題，多個子問題分別在多臺機器上求解，借助必要的數(shù)據(jù)交換和合并策略，將子結(jié)果匯總即可求出最終結(jié)果。具體而言，不同的分布式計算系統(tǒng)所使用的算法和策略根據(jù)所要解決的問題各有不同，但基本上都是將計算拆分，把子問題放到多臺機器上，分而治之地計算求解。分布式計算的每臺機器(物理機或虛擬機)又被稱為一個節(jié)點。

分布式計算在科研界已經(jīng)有很多比較成熟的方案，其中比較有名的有消息傳遞接口(Message Passing Interface，MPI)和MapReduce。

MPI

MPI是一個老牌分布式計算框架，主要解決節(jié)點間數(shù)據(jù)通信的問題。在前MapReduce時代，MPI是分布式計算的業(yè)界標(biāo)準(zhǔn)。MPI程序現(xiàn)在依然廣泛運行在全球各大超級計算中心、大學(xué)、政府和軍隊下屬研究機構(gòu)中，許多物理、生物、化學(xué)、能源、航空航天等基礎(chǔ)學(xué)科的大規(guī)模分布式計算都依賴MPI。

分治法將問題切分成子問題，在不同節(jié)點上分而治之地求解，MPI提供了一個在多進程多節(jié)點間進行數(shù)據(jù)通信的方案，因為絕大多數(shù)情況下，在中間計算和最終合并的過程中，需要對多個節(jié)點上的數(shù)據(jù)進行交換和同步。 

MPI并行計算示意圖

MPI中最重要的兩個操作為數(shù)據(jù)發(fā)送(Send)和數(shù)據(jù)接收(Recv)，Send表示將本進程中某塊數(shù)據(jù)發(fā)送給其他進程，Recv表示接收其他進程的數(shù)據(jù)。上圖展示了MPI架構(gòu)在4臺服務(wù)器上并行計算的示意圖。在實際的代碼開發(fā)過程中，用戶需要自行設(shè)計分治算法，將復(fù)雜問題切分為子問題，手動調(diào)用MPI庫，將數(shù)據(jù)發(fā)送給指定的進程。

MPI能夠在很細的粒度上控制數(shù)據(jù)的通信，這是它的優(yōu)勢，同時也是它的劣勢，因為細粒度的控制意味著從分治算法設(shè)計到數(shù)據(jù)通信到結(jié)果匯總都需要編程人員手動控制。有經(jīng)驗的程序員可以對程序進行底層優(yōu)化，取得成倍的速度提升。但如果對計算機和分布式系統(tǒng)沒有太多經(jīng)驗，編碼、調(diào)試和運行MPI程序的時間成本極高，加上數(shù)據(jù)在不同節(jié)點上不均衡和通信延遲等問題，一個節(jié)點進程失敗將會導(dǎo)致整個程序失敗，因此，MPI對于大部分程序員來說簡直就是噩夢。

并非所有的編程人員都能熟練掌握MPI編程，衡量一個程序的時間成本，不僅要考慮程序運行的時間，也要考慮程序員學(xué)習(xí)、開發(fā)和調(diào)試的時間。就像C語言運算速度極快，但是Python語言卻更受歡迎一樣，MPI雖然能提供極快的分布式計算加速，但不太接地氣。

MapReduce

為了解決分布式計算學(xué)習(xí)和使用成本高的問題，研究人員提出了更簡單易用的MapReduce編程模型[^2]。MapReduce是Google 2004年提出的一種編程范式，比起MPI將所有事情交給程序員控制不同，MapReduce編程模型只需要程序員定義兩個操作：map和reduce。 

使用MapReduce制作三明治

網(wǎng)絡(luò)上有很多MapReduce的介紹和解釋，這里我們用三明治的制作過程對MapReduce進行了分解。假設(shè)我們需要大批量地制作三明治，三明治的每種食材可以分別單獨處理，map階段將原材料在不同的節(jié)點上分別進行處理，生成一些中間食材，shuffle階段將不同的中間食材進行組合，reduce最終將一組中間食材組合成為三明治成品?？梢钥吹?，這種map + shuffle + reduce的方式就是分而治之思想的一種實現(xiàn)。

基于MapReduce編程模型，不同的團隊分別實現(xiàn)了自己的大數(shù)據(jù)框架：Hadoop是最早的一種開源實現(xiàn)，如今已經(jīng)成為大數(shù)據(jù)領(lǐng)域的業(yè)界標(biāo)桿，之后又出現(xiàn)了Spark和Flink。這些框架提供了編程接口和API，輔助程序員存儲、處理和分析大數(shù)據(jù)。

比起MPI，MapReduce編程模型將更多的中間過程做了封裝，程序員只需要將原始問題轉(zhuǎn)化為更高層次的API，至于原始問題如何切分為更小的子問題、中間數(shù)據(jù)如何傳輸和交換、如何將計算伸縮擴展到多個節(jié)點等一系列細節(jié)問題可以交給大數(shù)據(jù)框架來解決。因此，MapReduce相對來說學(xué)習(xí)門檻更低，使用更方便，編程開發(fā)速度更快。

批處理和流處理 

數(shù)據(jù)與數(shù)據(jù)流 

在大數(shù)據(jù)的5V定義中我們已經(jīng)提到，數(shù)據(jù)的容量大且產(chǎn)生速度快。從時間維度上來講，數(shù)據(jù)源源不斷地產(chǎn)生，形成一個無界的數(shù)據(jù)流(Unbounded Stream)。例如我們每時每刻的運動數(shù)據(jù)都會累積到手機傳感器上，金融交易隨時隨地發(fā)生著，傳感器會持續(xù)監(jiān)控并生成數(shù)據(jù)。數(shù)據(jù)流中的某段有界數(shù)據(jù)流(Bounded Stream)可以組成一個數(shù)據(jù)集。我們通常所說的對某份數(shù)據(jù)進行分析，指的是對某個數(shù)據(jù)集進行分析。隨著數(shù)據(jù)的產(chǎn)生速度越來越快，數(shù)據(jù)源越來越多，人們對時效性的重視程度越來越高，如何處理數(shù)據(jù)流成了大家更為關(guān)注的問題。 

數(shù)據(jù)與數(shù)據(jù)流

批處理

批處理(Batch Processing)是對一批數(shù)據(jù)進行處理。我們身邊批量計算比比皆是，最簡單的批量計算例子有：微信運動每天晚上有一個批量任務(wù)，把用戶好友一天所走的步數(shù)統(tǒng)計一遍，生成排序結(jié)果后推送給用戶;銀行信用卡中心每月賬單日有一個批量任務(wù)，把一個月的消費總額統(tǒng)計一次，生成用戶月度賬單;國家統(tǒng)計局每季度對經(jīng)濟數(shù)據(jù)做一次統(tǒng)計，公布季度GDP增速?？梢?，批量任務(wù)一般是對一段時間的數(shù)據(jù)聚合后進行處理。對于數(shù)據(jù)量龐大的應(yīng)用，如微信運動、銀行信用卡等情景，一段時間內(nèi)積累的數(shù)據(jù)總量非常大，計算非常耗時。

批量計算的歷史可以追溯的計算機剛剛起步的上世紀(jì)60年代，當(dāng)前應(yīng)用最為廣泛的當(dāng)屬數(shù)據(jù)倉庫的ETL(Extract Transform Load)數(shù)據(jù)轉(zhuǎn)化工作，如以O(shè)racle為代表的商業(yè)數(shù)據(jù)倉庫和以Hadoop/Spark為代表的開源數(shù)據(jù)倉庫。

流處理

如前文所說，數(shù)據(jù)其實是以流(Stream)的方式持續(xù)不斷地產(chǎn)生著，流處理(Stream Processing)就是對數(shù)據(jù)流進行處理。時間就是金錢，對數(shù)據(jù)流進行分析和處理，獲取實時數(shù)據(jù)價值越發(fā)重要。個人用戶每晚看一次微信運動排名覺得是一個比較舒適的節(jié)奏，但是對于金融界來說，時間是以百萬、千萬甚至上億為單位的金錢!雙十一電商大促銷，管理者要以秒級的響應(yīng)時間查看實時銷售業(yè)績、庫存信息以及與競品的對比結(jié)果，以爭取更多的決策時間;股票交易要以毫秒級的速度來對新信息做出響應(yīng);風(fēng)險控制要對每一份欺詐交易迅速做出處理，以減少不必要的損失;網(wǎng)絡(luò)運營商要以極快速度發(fā)現(xiàn)網(wǎng)絡(luò)和數(shù)據(jù)中心的故障等等。以上這些場景，一旦出現(xiàn)故障，造成了服務(wù)的延遲，損失都難以估量，因此，響應(yīng)速度越快，越能減少損失，增加收入。而IoT物聯(lián)網(wǎng)和5G通信的興起將為數(shù)據(jù)生成提供更完美的底層技術(shù)基礎(chǔ)，海量的數(shù)據(jù)在IoT設(shè)備上采集生成，并通過更高速的5G通道傳輸?shù)椒?wù)器，更龐大的實時數(shù)據(jù)流將洶涌而至，流式處理的需求肯定會爆炸式增長。

代表性大數(shù)據(jù)技術(shù)

如前文所述，MapReduce編程模型的提出為大數(shù)據(jù)分析和處理開創(chuàng)了一條先河，之后陸續(xù)涌現(xiàn)出了Hadoop、Spark和Flink等大數(shù)據(jù)框架。

Hadoop

2004年，Hadoop的創(chuàng)始人受MapReduce編程模型等一系列論文的啟發(fā)，對論文中提及的思想進行了編程實現(xiàn)。Hadoop的名字來源于創(chuàng)始人Doug Cutting兒子的玩具大象。由于創(chuàng)始人Doug Cutting當(dāng)時加入了雅虎，并在此期間支持了大量Hadoop的研發(fā)工作，因此Hadoop也經(jīng)常被認為是雅虎開源的一款大數(shù)據(jù)框架。時至今日，Hadoop不僅僅是整個大數(shù)據(jù)領(lǐng)域的先行者和領(lǐng)導(dǎo)者，更形成了一套圍繞Hadoop的生態(tài)系統(tǒng)，Hadoop和它的生態(tài)是絕大多數(shù)企業(yè)首選的大數(shù)據(jù)解決方案。 

Hadoop生態(tài)

盡管Hadoop生態(tài)中的組件眾多，其核心組件主要有三個：

• Hadoop MapReduce：Hadoop版本的MapReduce編程模型，可以處理海量數(shù)據(jù)，主要面向批處理。
• HDFS：HDFS全稱為Hadoop Distributed File System，是Hadoop提供的分布式文件系統(tǒng)，有很好的擴展性和容錯性。
• YARN：YARN是Yet Another Resource Negotiator的縮寫，是Hadoop生態(tài)系統(tǒng)中的資源調(diào)度器，可以管理一個Hadoop集群，并為各種類型的大數(shù)據(jù)任務(wù)分配計算資源。

這三大組件中，數(shù)據(jù)存儲在HDFS上，由MapReduce負責(zé)計算，YARN負責(zé)集群的資源管理。除了三大核心組件，Hadoop生態(tài)圈還有很多其他著名的組件：

• Hive：借助Hive，用戶可以編寫SQL語句來查詢HDFS上的結(jié)構(gòu)化數(shù)據(jù)，SQL會被轉(zhuǎn)化成MapReduce執(zhí)行。
• HBase：HDFS上的數(shù)據(jù)量非常龐大，但訪問和查詢速度比較慢，HBase可以提供給用戶毫秒級的實時查詢服務(wù)，是一個基于HDFS的分布式數(shù)據(jù)庫。
• Storm：Strom是一款實時計算框架，主要負責(zé)流處理。
• Zookeeper：Hadoop生態(tài)圈很多組件使用動物來命名，形成了一個大型動物園，Zookeeper是這個動物園的管理者，主要負責(zé)分布式環(huán)境的協(xié)調(diào)。

Spark

Spark于2009年誕生于加州大學(xué)伯克利分校，2013年被捐獻給Apache基金會。Spark是一款大數(shù)據(jù)計算框架，其初衷是改良Hadoop MapReduce的編程模型和執(zhí)行速度。與Hadoop相比，Spark的改進主要有兩點：

• 易用性：比起MPI，MapReduce模型更友好，但仍然不夠方便，因為并不是所有計算任務(wù)都可以簡單拆分成map和reduce，有可能為了解決一個問題，要設(shè)計多個MapReduce任務(wù)，任務(wù)之間相互依賴，整個程序非常復(fù)雜，導(dǎo)致代碼的可讀性差。Spark提供更加方便易用的接口，提供Java、Scala、Python和R幾種語言的API，支持SQL、機器學(xué)習(xí)和圖計算，覆蓋了絕大多數(shù)大數(shù)據(jù)計算的場景。
• 速度快：Hadoop的map和reduce之間的中間結(jié)果都需要落地到磁盤上，而Spark盡量將大部分計算放在內(nèi)存中，加上Spark的有向無環(huán)圖優(yōu)化，在官方的基準(zhǔn)測試中，Spark比Hadoop快一百倍以上。 

Spark生態(tài)

Spark的核心在于計算，主要目的在于優(yōu)化Hadoop MapReduce計算部分，在計算層面提供更細致的服務(wù)，比如提供了常用幾種數(shù)據(jù)科學(xué)語言的API，提供了SQL、機器學(xué)習(xí)和圖計算支持，這些服務(wù)都是最終面向計算的。Spark并不能完全取代Hadoop，實際上，Spark融入到了Hadoop生態(tài)圈，成為其中的重要一元。一個Spark任務(wù)很可能依賴HDFS上的數(shù)據(jù)，向YARN來申請計算資源，將HBase作為輸出結(jié)果的目的地。當(dāng)然，Spark也可以不用依賴這些Hadoop組件，獨立地完成計算。 

Spark Streaming數(shù)據(jù)流示意圖

Spark主要面向批處理需求，因其優(yōu)異的性能和易用的接口，Spark已經(jīng)是批處理界絕對的王者。Spark Streaming提供了流處理的功能，它的流處理主要基于mini-batch的思想，即將輸入數(shù)據(jù)流拆分成多個批次，每個批次使用批處理的方式進行計算。因此，Spark是一款批量和流式于一體的計算框架。

Flink

Flink是由德國幾所大學(xué)發(fā)起的的學(xué)術(shù)項目，后來不斷發(fā)展壯大，并于2014年末成為Apache頂級項目。Flink主要面向流處理，如果說Spark是批處理界的王者，那么Flink就是流處理領(lǐng)域的冉冉升起的新星。在Flink之前，不乏流式處理引擎，比較著名的有Storm、Spark Streaming，但某些特性遠不如Flink。 

流處理框架演進史

第一代被廣泛采用的流處理框架是Strom。在多項基準(zhǔn)測試中，Storm的數(shù)據(jù)吞吐量和延遲都遠遜于Flink。Storm只支持"at least once"和"at most once"，即數(shù)據(jù)流里的事件投遞只能保證至少一次或至多一次，不能保證只有一次。對于很多對數(shù)據(jù)準(zhǔn)確性要求較高的應(yīng)用，Storm有一定劣勢。第二代非常流行的流處理框架是Spark Streaming。Spark Streaming使用mini-batch的思想，每次處理一小批數(shù)據(jù)，一小批數(shù)據(jù)包含多個事件，以接近實時處理的效果。因為它每次計算一小批數(shù)據(jù)，因此總有一些延遲。但Spark Streaming的優(yōu)勢是擁有Spark這個靠山，用戶從Spark遷移到Spark Streaming的成本較低，因此能給用戶提供一個批量和流式于一體的計算框架。

Flink是與上述兩代框架都不太一樣的新一代計算框架，它是一個支持在有界和無界數(shù)據(jù)流上做有狀態(tài)計算的大數(shù)據(jù)引擎。它以事件為單位，并且支持SQL、State、WaterMark等特性。它支持"exactly once"，即事件投遞保證只有一次，不多也不少，這樣數(shù)據(jù)的準(zhǔn)確性能得到提升。比起Storm，它的吞吐量更高，延遲更低，準(zhǔn)確性能得到保障;比起Spark Streaming，它以事件為單位，達到真正意義上的實時計算，且所需計算資源相對更少。

之前提到，數(shù)據(jù)都是以流的形式產(chǎn)生的。數(shù)據(jù)可以分為有界(bounded)和無界(unbounded)，批量處理其實就是一個有界的數(shù)據(jù)流，是流處理的一個特例。Flink基于這種思想，逐步發(fā)展成一個可支持流式和批量處理的大數(shù)據(jù)框架。

經(jīng)過幾年的發(fā)展，F(xiàn)link的API已經(jīng)非常完善，可以支持Java、Scala和Python，并且支持SQL。Flink的Scala版API與Spark非常相似，有Spark經(jīng)驗的程序員可以用一個小時的時間熟悉Flink API。

與Spark類似，F(xiàn)link目前主要面向計算，并且可以與Hadoop生態(tài)高度集成。Spark和Flink各有所長，也在相互借鑒，一邊競爭，一邊學(xué)習(xí)，究竟最終誰能一統(tǒng)江湖，我們拭目以待。

小結(jié)

大數(shù)據(jù)一般基于分而治之的思想，分布式地進行計算。經(jīng)過十幾年的發(fā)展，大數(shù)據(jù)生態(tài)圈涌現(xiàn)出一大批優(yōu)秀的組件和框架，這些組件對一些底層技術(shù)做了封裝，提供給程序員簡單易用的API接口。在大數(shù)據(jù)分析和處理領(lǐng)域，Hadoop已經(jīng)發(fā)展成為一個非常成熟的生態(tài)圈，涵蓋了很多大數(shù)據(jù)相關(guān)的基礎(chǔ)服務(wù)，Spark和Flink主要針對大數(shù)據(jù)計算，分別在批處理和流處理方向建立了自己的優(yōu)勢。