提到大數(shù)據(jù)分析平臺，不得不說Hadoop系統(tǒng)，Hadoop到現(xiàn)在也超過10年的歷史了，很多東西發(fā)生了變化，版本也從0.x進化到目前的2.6版本。我把2012年后定義成后Hadoop平臺時代，這不是說不用Hadoop，而是像NoSQL (Not Only SQL)那樣，有其他的選型補充。我在知乎上也寫過Hadoop的一些入門文章 如何學(xué)習(xí)Hadoop - 董飛的回答，為了給大家有個鋪墊，簡單講一些相關(guān)開源組件。

背景篇

Hadoop: 開源的數(shù)據(jù)分析平臺，解決了大數(shù)據(jù)(大到一臺計算機無法進行存儲，一臺計算機無法在要求的時間內(nèi)進行處理)的可靠存儲和處理。適合處理非結(jié)構(gòu)化數(shù)據(jù)，包括HDFS，MapReduce基本組件。

HDFS：提供了一種跨服務(wù)器的彈性數(shù)據(jù)存儲系統(tǒng)。

MapReduce：技術(shù)提供了感知數(shù)據(jù)位置的標(biāo)準(zhǔn)化處理流程：讀取數(shù)據(jù)，對數(shù)據(jù)進行映射(Map)，使用某個鍵值對數(shù)據(jù)進行重排，然后對數(shù)據(jù)進行化簡(Reduce)得到最終的輸出。

Amazon Elastic Map Reduce(EMR)：托管的解決方案，運行在由Amazon Elastic Compute Cloud(EC2)和Simple Strorage Service(S3)組成的網(wǎng)絡(luò)規(guī)模的基礎(chǔ)設(shè)施之上。如果你需要一次性的或不常見的大數(shù)據(jù)處理，EMR可能會為你節(jié)省開支。但EMR是高度優(yōu)化成與S3 中的數(shù)據(jù)一起工作，會有較高的延時。

Hadoop 還包含了一系列技術(shù)的擴展系統(tǒng)，這些技術(shù)主要包括了Sqoop、Flume、Hive、Pig、Mahout、Datafu和HUE等。

Pig：分析大數(shù)據(jù)集的一個平臺，該平臺由一種表達數(shù)據(jù)分析程序的高級語言和對這些程序進行評估的基礎(chǔ)設(shè)施一起組成。

Hive：用于Hadoop的一個數(shù)據(jù)倉庫系統(tǒng)，它提供了類似于SQL的查詢語言，通過使用該語言，可以方便地進行數(shù)據(jù)匯總，特定查詢以及分析。

Hbase：一種分布的、可伸縮的、大數(shù)據(jù)儲存庫，支持隨機、實時讀/寫訪問。

Sqoop：為高效傳輸批量數(shù)據(jù)而設(shè)計的一種工具，其用于Apache Hadoop和結(jié)構(gòu)化數(shù)據(jù)儲存庫如關(guān)系數(shù)據(jù)庫之間的數(shù)據(jù)傳輸。

Flume：一種分布式的、可靠的、可用的服務(wù)，其用于高效地搜集、匯總、移動大量日志數(shù)據(jù)。

ZooKeeper：一種集中服務(wù)，其用于維護配置信息，命名，提供分布式同步，以及提供分組服務(wù)。

Cloudera：最成型的Hadoop發(fā)行版本，擁有最多的部署案例。提供強大的部署、管理和監(jiān)控工具。開發(fā)并貢獻了可實時處理大數(shù)據(jù)的Impala項目。

Hortonworks：使用了100%開源Apache Hadoop提供商。開發(fā)了很多增強特性并提交至核心主干，這使得Hadoop能夠在包括Windows Server和Azure在內(nèi)平臺上本地運行。

MapR：獲取更好的性能和易用性而支持本地Unix文件系統(tǒng)而不是HDFS。提供諸如快照、鏡像或有狀態(tài)的故障恢復(fù)等高可用性特性。領(lǐng)導(dǎo)著Apache Drill項目，是Google的Dremel的開源實現(xiàn)，目的是執(zhí)行類似SQL的查詢以提供實時處理。

原理篇

數(shù)據(jù)存儲

我們的目標(biāo)是做一個可靠的，支持大規(guī)模擴展和容易維護的系統(tǒng)。計算機里面有個locality(局部性定律)，如圖所示。從下到上訪問速度越來越快，但存儲代價更大。

相對內(nèi)存，磁盤和SSD就需要考慮數(shù)據(jù)的擺放， 因為性能會差異很大。磁盤好處是持久化，單位成本便宜，容易備份。但隨著內(nèi)存便宜，很多數(shù)據(jù)集合可以考慮直接放入內(nèi)存并分布到各機器上，有些基于 key-value, Memcached用在緩存上。內(nèi)存的持久化可以通過 (帶電池的RAM)，提前寫入日志再定期做Snapshot或者在其他機器內(nèi)存中復(fù)制。當(dāng)重啟時需要從磁盤或網(wǎng)絡(luò)載入之前狀態(tài)。其實寫入磁盤就用在追加日志上面 ，讀的話就直接從內(nèi)存。像VoltDB, MemSQL，RAMCloud 關(guān)系型又基于內(nèi)存數(shù)據(jù)庫，可以提供高性能，解決之前磁盤管理的麻煩。

HyperLogLog & Bloom Filter & CountMin Sketch

都是是應(yīng)用于大數(shù)據(jù)的算法，大致思路是用一組相互獨立的哈希函數(shù)依次處理輸入。HyperLogLog 用來計算一個很大集合的基數(shù)(即合理總共有多少不相同的元素)，對哈希值分塊計數(shù)：對高位統(tǒng)計有多少連續(xù)的0;用低位的值當(dāng)做數(shù)據(jù)塊。 BloomFilter,在預(yù)處理階段對輸入算出所有哈希函數(shù)的值并做出標(biāo)記。當(dāng)查找一個特定的輸入是否出現(xiàn)過，只需查找這一系列的哈希函數(shù)對應(yīng)值上有沒有標(biāo)記。對于BloomFilter，可能有False Positive，但不可能有False Negative。BloomFilter可看做查找一個數(shù)據(jù)有或者沒有的數(shù)據(jù)結(jié)構(gòu)(數(shù)據(jù)的頻率是否大于1)。CountMin Sketch在BloomFilter的基礎(chǔ)上更進一步，它可用來估算某一個輸入的頻率(不局限于大于1)。

CAP Theorem

簡單說是三個特性：一致性，可用性和網(wǎng)絡(luò)分區(qū)，最多只能取其二。設(shè)計不同類型系統(tǒng)要多去權(quán)衡。分布式系統(tǒng)還有很多算法和高深理論，比如：Paxos算法(paxos分布式一致性算法--講述諸葛亮的反穿越)，Gossip協(xié)議(Cassandra學(xué)習(xí)筆記之Gossip協(xié)議)，Quorum (分布式系統(tǒng))，時間邏輯，向量時鐘(一致性算法之四: 時間戳和向量圖)，拜占庭將軍問題，二階段提交等，需要耐心研究。

技術(shù)篇

來自：http://thinkbig.teradata.com/leading_big_data_technologies/big-data-reference-architecture/

根據(jù)不同的延遲要求(SLA)，數(shù)據(jù)量存儲大小， 更新量多少，分析需求，大數(shù)據(jù)處理的架構(gòu)也需要做靈活的設(shè)計。上圖就描述了在不同領(lǐng)域中大數(shù)據(jù)組件。

說大數(shù)據(jù)的技術(shù)還是要先提Google，Google 新三輛馬車，Spanner, F1, Dremel

Spanner：高可擴展、多版本、全球分布式外加同步復(fù)制特性的谷歌內(nèi)部數(shù)據(jù)庫，支持外部一致性的分布式事務(wù);設(shè)計目標(biāo)是橫跨全球上百個數(shù)據(jù)中心,覆蓋百萬臺服務(wù)器,包含萬億條行記錄!(Google就是這么霸氣^-^)

F1: 構(gòu)建于Spanner之上,在利用Spanner的豐富特性基礎(chǔ)之上,還提供分布式SQL、事務(wù)一致性的二級索引等功能,在AdWords廣告業(yè)務(wù)上成功代替了之前老舊的手工MySQL Shard方案。

Dremel: 一種用來分析信息的方法，它可以在數(shù)以千計的服務(wù)器上運行，類似使用SQL語言，能以極快的速度處理網(wǎng)絡(luò)規(guī)模的海量數(shù)據(jù)(PB數(shù)量級)，只需幾秒鐘時間就能完成。

Spark

2014年最火的大數(shù)據(jù)技術(shù)Spark，。主要意圖是基于內(nèi)存計算做更快的數(shù)據(jù)分析。同時支持圖計算，流式計算和批處理。Berkeley AMP Lab的核心成員出來成立公司Databricks開發(fā)Cloud產(chǎn)品。

Flink

使用了一種類似于SQL數(shù)據(jù)庫查詢優(yōu)化的方法，這也是它與當(dāng)前版本的Apache Spark的主要區(qū)別。它可以將全局優(yōu)化方案應(yīng)用于某個查詢之上以獲得更佳的性能。

Kafka

Announcing the Confluent Platform 1.0 Kafka 描述為 LinkedIn 的“中樞神經(jīng)系統(tǒng)”，管理從各個應(yīng)用程序匯聚到此的信息流，這些數(shù)據(jù)經(jīng)過處理后再被分發(fā)到各處。不同于傳統(tǒng)的企業(yè)信息列隊系統(tǒng)，Kafka 是以近乎實時的方式處理流經(jīng)一個公司的所有數(shù)據(jù)，目前已經(jīng)為 LinkedIn, Netflix, Uber 和 Verizon 建立了實時信息處理平臺。Kafka 的優(yōu)勢就在于近乎實時性。

Storm

Handle Five Billion Sessions a Day in Real Time，Twitter的實時計算框架。所謂流處理框架，就是一種分布式、高容錯的實時計算系統(tǒng)。Storm令持續(xù)不斷的流計算變得容易。經(jīng)常用于在實時分析、在線機器學(xué)習(xí)、持續(xù)計算、分布式遠程調(diào)用和ETL等領(lǐng)域。

Samza

LinkedIn主推的流式計算框架。與其他類似的Spark，Storm做了幾個比較。跟Kafka集成良好，作為主要的存儲節(jié)點和中介。

Lambda architecture

Nathan寫了文章《如何去打敗CAP理論》How to beat the CAP theorem，提出Lambda Architecture，主要思想是對一些延遲高但數(shù)據(jù)量大的還是采用批處理架構(gòu)，但對于即時性實時數(shù)據(jù)使用流式處理框架，然后在之上搭建一個服務(wù)層去合并兩邊的數(shù)據(jù)流，這種系統(tǒng)能夠平衡實時的高效和批處理的Scale，看了覺得腦洞大開，確實很有效，被很多公司采用在生產(chǎn)系統(tǒng)中。

Summingbird

Lambda架構(gòu)的問題要維護兩套系統(tǒng)，Twitter開發(fā)了Summingbird來做到一次編程，多處運行。將批處理和流處理無縫連接，通過整合批處理與流處理來減少它們之間的轉(zhuǎn)換開銷。下圖就解釋了系統(tǒng)運行時。

NoSQL

數(shù)據(jù)傳統(tǒng)上是用樹形結(jié)構(gòu)存儲(層次結(jié)構(gòu))，但很難表示多對多的關(guān)系，關(guān)系型數(shù)據(jù)庫就是解決這個難題，最近幾年發(fā)現(xiàn)關(guān)系型數(shù)據(jù)庫也不靈了，新型NoSQL出現(xiàn)如Cassandra，MongoDB，Couchbase。NoSQL 里面也分成這幾類，文檔型，圖運算型，列存儲，key-value型，不同系統(tǒng)解決不同問題。沒一個one-size-fits-all 的方案。

Cassandra

大數(shù)據(jù)架構(gòu)中，Cassandra的主要作用就是存儲結(jié)構(gòu)化數(shù)據(jù)。DataStax的Cassandra是一種面向列的數(shù)據(jù)庫，它通過分布式架構(gòu)提供高可用性及耐用性的服務(wù)。它實現(xiàn)了超大規(guī)模的集群，并提供一種稱作“最終一致性”的一致性類型，這意味著在任何時刻，在不同服務(wù)器中的相同數(shù)據(jù)庫條目可以有不同的值。

SQL on Hadoop

開源社區(qū)業(yè)出現(xiàn)了很多 SQL-on-Hadoop的項目，著眼跟一些商業(yè)的數(shù)據(jù)倉庫系統(tǒng)競爭。包括Apache Hive, Spark SQL, Cloudera Impala, Hortonworks Stinger, Facebook Presto, Apache Tajo，Apache Drill。有些是基于Google Dremel設(shè)計。

Impala

Cloudera公司主導(dǎo)開發(fā)的新型查詢系統(tǒng)，它提供SQL語義，能夠查詢存儲在Hadoop的HDFS和HBase中的PB級大數(shù)據(jù)，號稱比Hive快5-10倍，但最近被Spark的風(fēng)頭給罩住了，大家還是更傾向于后者。

Drill

Apache社區(qū)類似于Dremel的開源版本—Drill。一個專為互動分析大型數(shù)據(jù)集的分布式系統(tǒng)。

Druid

在大數(shù)據(jù)集之上做實時統(tǒng)計分析而設(shè)計的開源數(shù)據(jù)存儲。這個系統(tǒng)集合了一個面向列存儲的層，一個分布式、shared-nothing的架構(gòu)，和一個高級的索引結(jié)構(gòu)，來達成在秒級以內(nèi)對十億行級別的表進行任意的探索分析。

Berkeley Data Analytics Stack

上面說道Spark，在Berkeley AMP lab 中有個更宏偉的藍圖，就是BDAS，里面有很多明星項目，除了Spark，還包括：

Mesos：一個分布式環(huán)境的資源管理平臺，它使得Hadoop、MPI、Spark作業(yè)在統(tǒng)一資源管理環(huán)境下執(zhí)行。它對Hadoop2.0支持很好。Twitter，Coursera都在使用。

Tachyon：是一個高容錯的分布式文件系統(tǒng)，允許文件以內(nèi)存的速度在集群框架中進行可靠的共享，就像Spark和MapReduce那樣。項目發(fā)起人李浩源說目前發(fā)展非?？欤踔帘萐park當(dāng)時還要驚人，已經(jīng)成立創(chuàng)業(yè)公司Tachyon Nexus.

BlinkDB：也很有意思，在海量數(shù)據(jù)上運行交互式 SQL 查詢的大規(guī)模并行查詢引擎。它允許用戶通過權(quán)衡數(shù)據(jù)精度來提升查詢響應(yīng)時間，其數(shù)據(jù)的精度被控制在允許的誤差范圍內(nèi)。

Cloudera

Hadoop老大哥提出的經(jīng)典解決方案。

HDP (Hadoop Data Platform)

Hortonworks 提出的架構(gòu)選型。

Redshift

Amazon RedShift是 ParAccel一個版本。它是一種(massively parallel computer)架構(gòu)，是非常方便的數(shù)據(jù)倉庫解決方案，SQL接口，跟各個云服務(wù)無縫連接，最大特點就是快，在TB到PB級別非常好的性能，我在工作中也是直接使用，它還支持不同的硬件平臺，如果想速度更快，可以使用SSD。

注：本文由董飛授權(quán)數(shù)據(jù)猿發(fā)布。

董飛，數(shù)據(jù)猿特約專家作者，中國頂尖數(shù)據(jù)科學(xué)家，現(xiàn)任在線教育平臺Coursera數(shù)據(jù)工程師。南開大學(xué)本科，杜克大學(xué)計算機系碩士畢業(yè)。先后在酷迅、百度、Amazon、Linkedin等知名企業(yè)工作。

來源：數(shù)據(jù)猿