前言

我每天都在思考，思考很重要，是一個消化和不斷深入的過程。

[[167152]]

正如下面的一句話:

我們從出生開始如果沒思考過人生本身這件事情，一切按照社會的習(xí)慣前行，那人生是沒有意義的。因?yàn)槟氵B人生都沒有想過。

那么延生出來，我們有沒有想過大數(shù)據(jù)本身?

大數(shù)據(jù)到底是在做什么，為什么我做了這么多年的大數(shù)據(jù)，總是做不完呢?

大數(shù)據(jù)本質(zhì)是：

隨著科學(xué)技術(shù)發(fā)展，更多的數(shù)據(jù)能夠被存儲了，能被分析了。所以有了大數(shù)據(jù)的概念。

機(jī)器學(xué)習(xí)的本質(zhì)是：

隨著數(shù)據(jù)變多了，量變導(dǎo)致質(zhì)變，數(shù)據(jù)足夠大后其內(nèi)部的隱含的規(guī)律會越來越精確和完整。機(jī)器學(xué)習(xí)則是將數(shù)據(jù)內(nèi)存存在的這種隱含關(guān)聯(lián)給挖掘出來的一項(xiàng)技術(shù)。

大數(shù)據(jù)最消耗工作量的地方是哪里呢?

目前百分之八十的工作量都在于數(shù)據(jù)收集 清理和校驗(yàn)。 這個工作本身并不難，但是真的很繁瑣，很費(fèi)力。

我們天天感嘆：

1. 數(shù)據(jù)在哪里?如何收集
2. 數(shù)據(jù)要怎么進(jìn)行清洗
3. 無效數(shù)據(jù)太多，如何去除

而讓我們心灰意冷的是

當(dāng)一個新的需求來臨時，現(xiàn)有的數(shù)據(jù)形態(tài)似乎不能滿足需求，我們又要在現(xiàn)有的數(shù)據(jù)堆里，重新走數(shù)據(jù)收集，清理，校驗(yàn)的流程。

這似乎是一種詛咒，如同可憐的西西弗斯，被判要將大石推上陡峭的高山，每次用盡全力， 大石快要到頂時，石頭就會從其手中滑脫，又得重新推回去，幹著無止境的勞動。

大數(shù)據(jù)目前遇到的***技術(shù)難點(diǎn)是什么

是海量數(shù)據(jù)的ad-hoc查詢

當(dāng)Hadoop剛剛興起，我們可以通過它來操控越來越廉價的PC服務(wù)器價格，于是一種暴力彌漫了整個生態(tài)：

我們因?yàn)橥蝗挥辛藦?qiáng)大的算力，這就好比一個窮人突然有了一筆很大的錢。我們開始讓強(qiáng)大的算力駕著***效的程序去跑數(shù)據(jù)，這是批處理時代的悲哀。

但是隨著查詢效率要求越來越高，我們不得不被迫做出改變。還記得我們以前的日志都是簡單的Raw文本嗎? 現(xiàn)在各種存儲的格式慢慢開花結(jié)果：

1. Parquet, 數(shù)磚公司大力發(fā)展的一個存儲技術(shù)
2. ORC, Hive 常見的一種存儲格式
3. CarbonData, 華為推出的一套可支持PB級別的數(shù)據(jù)格式

總之，我們似乎沒有找到一個奇妙的技術(shù)解決查詢的問題，只能做某種折中：

為了加快查詢速度，數(shù)據(jù)存儲慢慢從早期的raw文本轉(zhuǎn)為具備向量化，帶索引，支持特定編碼和壓縮的列式存儲結(jié)構(gòu)，當(dāng)然這種通過調(diào)整存儲結(jié)構(gòu)的方式必然以消耗數(shù)據(jù)進(jìn)入時的時間和資源為代價。

也就是我們在存儲和查詢之間做了妥協(xié)。

如何讓苦力干的更少

前面我們提及了，我們可能80%的工作都花在了數(shù)據(jù)的采集，清洗和校驗(yàn)上了。但是我們該如何壓縮這部分的工作呢?

答案是：

• 流式計算
• 流式計算上層建筑

讓所有的計算流動起來，就會讓下面的事情變得簡單：

我們可以在已經(jīng)流動的數(shù)據(jù)中的任何一個環(huán)節(jié)引入一個新的支流。當(dāng)我要獲取數(shù)據(jù)時，我做的本質(zhì)其實(shí)就是 連接兩個或者多個節(jié)點(diǎn)，并且在其中對數(shù)據(jù)進(jìn)行轉(zhuǎn)換。就如同河水，我們可以很方便的開一個支流，將水引入灌溉新的額農(nóng)田。

而且我們希望流式計算的實(shí)現(xiàn)是結(jié)合了流式和批量語義的。為什么呢?

看看華為在Storm上做的StreamCQL，就知道，很多情況實(shí)時流式是很有局限的，因?yàn)槲磥砦覀冊诹魇缴夏茏龅氖虑闀浅６啵?/p>

1. 數(shù)據(jù)處理
2. Ad-Hoc查詢
3. 機(jī)器學(xué)習(xí)
4. 報表
5. 存儲輸出

這就需要一定的靈活性，因?yàn)橹挥性跀?shù)據(jù)集上，才會有譬如Ad-Hoc查詢，才能高效的進(jìn)行存儲，才能適應(yīng)一些機(jī)器學(xué)習(xí)算法。單條數(shù)據(jù)很多情況下，是沒有太大意義的。

這塊我一直是Spark Streaming的支持者。數(shù)據(jù)天生就是流式的

那為啥我們需要一個流式計算上層建筑? 我們回顧下問題，數(shù)據(jù)的ETL過程是個苦力活，消耗掉大量程序員的工作時間，那么為了減少這種時間，我們有兩個辦法：

1. 將做些任務(wù)分散出去，使得每個人都可做，那么在總量不變的情況下，單個人就會變少了
2. 提高每個人的工作效率

流式計算構(gòu)建了整個基礎(chǔ)，而其上的框架則使得上面兩點(diǎn)成為可能。這里我依然推薦我現(xiàn)在正在做的一個開源項(xiàng)目: StreamingPro 。未來我們還會有一個更通用的基于流式計算的采集程序，敬請期待。