10大常见的Hadoop应用误解和更正

Hadoop作为大数据常用的架构，其发展目前可以说方兴未艾。其很多价值有待人们进一步挖掘，甚至很多人在认识Hadoop的过程中对其产生了误解。中培教育《大数据Hadoop与Spark》专家蒋老师在这里就10大最常见的Hadoop应用误解进行了介绍，并做出了更正解释，希望能对广大大数据应用者正确认识Hadoop带来帮助。1. (误解)Hadoop什么都可以做(正解) 当一个新技术出来时，我们都会去思考它在各个不同产业的应用，而对于平台的新技术来说，我们思考之后常会出现这样的结论“这个好像什么都能做”，然而，更深入的去想，你就会发现“好像什么都需要重头做”。2. (误解)Hadoop无法扮演HPC (High Performance Computing) or Grid Computing的角色(正解) 由于Hadoop本身是由并行运算架构(MapReduce)与分布式文件系统(HDFS)所组成，所以我们也看到很多研究机构或教育单位，开始尝试把部分原本执行在HPC 或Grid上面的任务，部分移植到Hadoop集群上面，利用Hadoop兼顾高速运算与海量储存的特性，更简易且更有效率地来执行工作。目前国外高能物理、生命科学、医学等领域，都已经有这样的应用案例，利用Hadoop集群与现有的HPC/Grid 搭配、协同运作，来满足不同特性的运算任务。3. (误解) Hadoop只能做资料分析/挖掘(Data Mining/Analyst)(正解) Hadoop特别适合来数据分析与挖掘的应用是毫无疑问的，但数据分析与挖掘是难度与深度都较高的一个应用，所需要的时间的积累也比较长，也因此让一般企业对于导入Hadoop视为畏途，甚至心怀恐惧。4. (误解) Hadoop就是BI (Business Intelligence)商业智能(正解) 跟前面一样，这也是大多数人最容易误解的地方，因为Hadoop特别适合来做数据分析，所以就很直觉地把它想成“那就是BI嘛”。会有这种误解，主要来自于对数据运用的整体架构的不清楚。传统BI是属于数据展现层(Data Presentation)，其数据的载体(Data Store)是数据库或数据仓库。对比来看，Hadoop就是专注在半结构化、非结构化数据的数据载体，跟BI是不同层次的概念。5. (误解) Hadoop就是ETL (Extract, Transform & Load) (正解) ETL其实有两种意涵，它本身是一个概念，也同时是一个产品类别(Product Category)的总称。所以当我们听到“某某公司是做ETL产品的”的这种对话时，其中的ETL，与DB、Application Server等名词是相同的，都是指向某种类别的IT产品。然而，如果就概念性上来看，ETL指的其实是数据运用的生命周期中的其中一个过程，跟我前面提到的数据预处理(Data pre-Processing)是同样一个概念，举凡数据清洗(Data Cleansing)、数据关联、数据汇总等，都包含在这个范畴内。6. (误解) Hadoop跟传统storage没什么差别, 都特别适合来做资料的备份(Data Archive) (正解) 熟悉storage的人，第一次看到Hadoop时，往往只会注意到它的分布式文件系统HDFS，然后开始拿它来与现有的storage的功能特性做比较，而忽略掉Hadoop本身并行运算的那一块。这很合理，毕竟MapReduce的概念，在应用上是比较抽象且难以捉摸的，相反的，HDFS就是一个很清楚且具象的概念。7. (误解) Hadoop是一个搜索引擎(Search Engine)(正解) Search 的确是Hadoop的一个重要的应用，但Hadoop本身并没有内含search engine。实务上，我们常会把HBase 的index设计运用到极致，来满足一些特定search 或query的应用，但如果要满足全文检索(full-text search)的需求的话，你就必须在Hadoop上建构一个基于Hadoop的搜索引擎。Lucene / Katta 及其他的open source都有相对应的计划，如何借助Hadoop的特性，来实现一个强大的分布式搜索引擎，这也是我们一直密切注意、且已放进未来产品的蓝图之中的重要话题。8. (误解) 基于Hadoop的推荐系统与传统的推荐系统并无不同 (正解) 传统的推荐系统只处理客户的事务数据(transaction data)，大多用的是数据仓库或商业智能等解决方案，然而，除了客户的事务数据之外，是否也有可能针对客户交易前的行为进行分析、进而产生推荐? 特别是对电子商务网站来说，客户在完成购买前的点击浏览、搜寻、及放进购物车等行为，都包含了丰富的讯息，可以藉此很容易去导引出客户想要寻找什么样的商品，所以，如果在产生推荐过程中可以把这些讯息都纳进来，则所产生推荐的精准度与丰富度必然可以大为提高。 这正是新一代的推荐系统会面临到的挑战: 如何在事务数据(Transaction Data) 之外，同时也可以把客户的互动数据(Interaction Data) 含括进来? 由于客户互动数据的型态与事务数据间有极大的差异，其数量级更是远远大于事务数据量，运算频率更是有极高的要求，也因此都远超过现有数据库或数据仓储的能力，而这正是Hadoop所擅长，可以轻易拓展传统机器学习(Machine Learning) 算法分析大量数据集(Large Datasets) 的能力，并同时具备横向扩充(Scale-out) 的能力，可随着数据集的成长轻易扩充，无论多大的数据都可轻易胜任。9. (误解) Hadoop不适合用来处理小档案的应用 (正解) 对Hadoop稍微有点了解的人，都会知道HDFS的block size的default 值为64MB，且不建议往下调，因为HDFS当初在设计时，并不是针对碎片般的小档案的处理而来的。所以当我们说Hadoop不适合用来处理小档案的应用时，就技术上来说是对的，但在实际运用上，却可以有不同的做法来满足海量小档案管理的需求。10. (误解) Hadoop不适合用来做日志管理(Log Management)的应用 (正解) 当每天的日志量成长到一定的程度，现有的日志管理工具都会遇到瓶颈，所以一些国外的日志管理工具(如Splunk、ArcSight)都已经发布了其Hadoop Connector，强调其与Hadoop的联系性与兼容性。所以，如果客户对日志管理的需求只是保存日志、并可以随时对日志搜索的话，那Hadoop本身即可以满足这样的应用，而对于比较复杂的日志管理且日志量非常大的需求，客户也可以从现有的日志管理工具中来挑选，并与Hadoop来搭配协同运作。