現(xiàn)如今，Apache Hadoop已經(jīng)無人不知無人不曉。當(dāng)年雅虎搜索工程師Doug Cutting開發(fā)出這個用以創(chuàng)建分布式計算機環(huán)境的開源軟件庫，并以自己兒子的大象玩偶為其命名的時候，誰能想到它有一天會占據(jù)“大數(shù)據(jù)”技術(shù)的頭把交椅呢。

　　雖然Hadoop伴隨大數(shù)據(jù)一同火爆起來，但相信還是有許多用戶對于它不甚了解。在上周名的TDWI解決方案峰會中， TDWI研究主任兼行業(yè)分析師Philip Russom發(fā)表了“關(guān)于Hadoop的12點事實”的主題演講，下面是演講精華內(nèi)容的總結(jié)，希望對您進一步了解Hadoop有所幫助。

　　事實1：Hadoop是由多個產(chǎn)品組成的。

　　人們在談?wù)揌adoop的時候，常常把它當(dāng)做單一產(chǎn)品來看待，但事實上它由多個不同的產(chǎn)品共同組成。

　　Russom說：“Hadoop是一系列開源產(chǎn)品的組合，這些產(chǎn)品都是Apache軟件基金會的項目。”

　　一提到Hadoop，人們往往將其與MapReduce放在一起，但其實HDFS和MapReduce一樣，也是Hadoop的基礎(chǔ)。

　　事實2：Apache Hadoop是開源技術(shù)，但專有廠商也提供Hadoop產(chǎn)品。

　　由于Hadoop屬于開源技術(shù)，可免費下載，所以IBM、Cloudera和EMC Greenplum等廠商都可以推出他們各自的Hadoop特別發(fā)行版本。

　　這些特別發(fā)行版本一般都會有一些附加特性，比如高級管理工具及相關(guān)的支持維護服務(wù)。有人可能對此嗤之以鼻：既然開源社區(qū)是免費的，那么我們?yōu)槭裁催€要為它的服務(wù)付費?Russom解釋道，這些版本的HDFS對一些IT部門更合適，特別是企業(yè)IT系統(tǒng)已經(jīng)相對成熟的用戶。

　　事實3：Hadoop是一個生態(tài)系統(tǒng)，而非一個產(chǎn)品。

　　Hadoop是由開源社區(qū)和各個廠商共同開發(fā)和推動的。具體說來，廠商的Hadoop的產(chǎn)品其結(jié)構(gòu)化和關(guān)系性更強一些。

　　Russom說：“一直以來報表平臺、數(shù)據(jù)集成平臺在為更新的平臺提供各種各樣的接口，Hadoop當(dāng)然也不例外。”

　　事實4：HDFS是文件系統(tǒng)，而不是數(shù)據(jù)庫管理系統(tǒng)。

　　Russom最無法忍受的，就是人們常常把二者混為一談。能夠?qū)?shù)據(jù)集進行管理是數(shù)據(jù)管理系統(tǒng)很重要的特性之一，這一點HDFS是不具備的。

　　數(shù)據(jù)庫管理系統(tǒng)中，我們通過查詢索引可以實現(xiàn)對數(shù)據(jù)的隨機訪問，它往往處理的是結(jié)構(gòu)化的數(shù)據(jù)，而在Hadoop中不會處理這樣的數(shù)據(jù)類型。

　　事實5：Hive與SQL類似，卻非標(biāo)準(zhǔn)SQL。

　　傳統(tǒng)獲取數(shù)據(jù)的業(yè)務(wù)工具大多都是基于SQL的，這比較讓人頭疼，因為Hadoop使用的是一種類似SQL但不是SQL的語言——Apache Hive和HiveQL。

　　Russom說：“我常聽到別人說，‘Hive學(xué)起來非常簡單，直接學(xué)Hive就行。’但這并不能解決與SQL工具兼容的根本問題。”

　　Russom認(rèn)為兼容性只是一個短時間問題，但卻阻礙了Hadoop的普及。

　　事實6：Hadoop與MapReduce相互關(guān)聯(lián)，但不相互依賴。

　　MapReduce早在HDFS出現(xiàn)以前就由Google開發(fā)推出。除此之外，諸如MapR一類的廠商一直在宣傳MapReduce功能的多樣性，無需HDFS支持。

　　盡管如此，Russom卻認(rèn)為它們具有很好的互補性。HDFS的大部分價值都體現(xiàn)在可層疊到分布式文件系統(tǒng)的工具上。

　　事實7：MapReduce提供的是對分析的控制，而不是分析本身。

　　MapReduce是一種通用執(zhí)行驅(qū)動引擎，可協(xié)助大數(shù)據(jù)分析。它能讀取手寫代碼數(shù)據(jù)，對其進行并行自動處理，并將結(jié)果映射到單一集合中。然而我們需要明確一點，MapReduce自身并不進行分析工作。

　　Russom說：“MapReduce可以看作是升級版的MPP架構(gòu)。你無論怎樣編寫代碼，它都可以把它們并行化，非常強大。”

　　事實8：Hadoop的意義不僅僅在于數(shù)據(jù)量，更在于數(shù)據(jù)的多樣化。

　　有人把Hadoop歸類為海量數(shù)據(jù)處理技術(shù)，但是Hadoop真正的價值卻是對多樣化數(shù)據(jù)處理的能力。

　　Russom說：“Hadoop的處理范圍為大多數(shù)數(shù)據(jù)倉庫所不及，比如針對半結(jié)構(gòu)化與完全非結(jié)構(gòu)化的數(shù)據(jù)。”

　　事實9：Hadoop是數(shù)據(jù)倉庫的補充，不是數(shù)據(jù)倉庫的替代品。

　　Hadoop對多樣化數(shù)據(jù)類型進行管理的能力使得“數(shù)據(jù)倉庫將死”的言論四起，然而Russom卻進行了反駁。

　　他反問道：“在IT領(lǐng)域，人們多久替換一項技術(shù)?幾乎從來沒有過。”

　　數(shù)據(jù)倉庫在其領(lǐng)域中的性能仍然出色，Hadoop可起到對數(shù)據(jù)倉庫技術(shù)進行補充的作用。數(shù)據(jù)倉庫和其他系統(tǒng)的架構(gòu)越來越多地開始向分布式靠攏，Hadoop在這里將發(fā)揮其作用。

　　事實10：Hadoop不僅僅是Web分析。

　　Hadoop在互聯(lián)網(wǎng)中的運用非常普遍，Russom認(rèn)為Hadoop普及趨勢的部分原因是因為它可以處理更多類型的分析。

　　Russom舉了鐵路公司、機器人和零售業(yè)的例子。鐵路公司可使用傳感器對異常高溫的軌道車輛進行探測，以阻止事故的發(fā)生。

　　Russom盡管十分看好Hadoop的前景，但同時認(rèn)為它的普及還需要數(shù)年時間。

　　事實11：大數(shù)據(jù)不一定非Hadoop不可。

　　別看現(xiàn)在大數(shù)據(jù)和Hadoop已經(jīng)密不可分，Russom卻認(rèn)為Hadoop并不是大數(shù)據(jù)的“唯一”。他提到了許多其他廠商的產(chǎn)品，如Teradata、Sybase IQ（被SAP收購）和Vertica（被HP收購）等。

　　除此之外，在Hadoop沒有誕生之時，一些企業(yè)就已經(jīng)開始研究大數(shù)據(jù)了。例如，電信行業(yè)多年以前就有呼叫明細(xì)記錄。

　　事實12：Hadoop不是“免費午餐”。

　　雖然Hadoop屬于開源技術(shù)，但是軟件的安裝部署是需要花錢的。Russom稱，由于Hadoop在管理工具與支持服務(wù)方面的不足，企業(yè)在使用過程中很容易產(chǎn)生額外費用。另外，由于它沒有優(yōu)化程序，我們只能請專業(yè)人士在運行環(huán)境中手寫輸入代碼，而這些專業(yè)人士的薪酬價碼都不菲。

　　更不用提部署Hadoop集群的硬件和相關(guān)配置的成本。

　　他說：“千萬別以為Hadoop是免費的或者很便宜，它背后的隱性開銷你是一下子看不到的。”