大數據分析工具Hadoop 2.0需要注意的新問題

導讀：本文分析了Hadoop 2.0中的一些變化以及用戶需要注意的問題，Hadoop分布式處理架構為IT、數據管理以及數據分析團隊帶來了新生機的同時，也帶來了新的挑戰。

在大數據時代，Hadoop分布式處理架構為IT、數據管理以及數據分析團隊帶來了新生機的同時，也帶來了新的挑戰。隨著Hadoop生態系統的不斷發展壯大，企業需要對快速更新換代的技術做好充足的準備。

上周，Apache軟件基金會剛剛宣布了Hadoop 2.0的正式GA，新版本的Hadoop將帶來大量變化。以HDFS和基于Java的MapReduce為核心組件，Hadoop的早期采用者都在使用它應對海量數據處理，包括結構化與非結構化數據，從日志文件到文本數據，再從傳感器數據再到社交媒體數據不一而足。

Hadoop 1.0向2.0的轉變

Hadoop通常以集群的方式運行在廉價服務器上，因此可以有效控制海量數據處理和存儲的成本。Ventana研究機構的副總裁Tony Cosentino表示，Hadoop采取了輕架構的數據處理方式， 因此它能夠對新型數據源進行充分利用，這是傳統關系型數據庫架構所不能比擬的。

但Cosentino認為，目前的Hadoop架構也受到了批處理模式的限制，可以把它比作是一輛重型卡車，在性能方面存在較大瓶頸。Hadoop不適合有低延遲需求的應用，它更適合干重活，即海量數據處理。

Hadoop適合分析海量非結構化數據集，它通常是上TB甚至PB的數量級。ScaleOut Software的CEO William Bain表示，由于Hadoop批處理的天性以及大開銷所限，它并不適合進行數據集的實時分析。但將Hadoop 2.0與其他廠商所添加的新查詢引擎結合，這個問題也將得到有效的解決。

數據倉庫之門向Hadoop開啟

Impetus Technologies的首席架構師Sanjay Sharma表示，數據倉庫應用同樣涉及到海量數據處理，因此它是天生的Hadoop目標應用。那么多大的數據比較合適？Sharma認為10 TB左右是Hadoop的理想數據量，如果數據集組成非常復雜，那么這個數量還會有所下降。

像汽車導購類信息提供商Edmunds.com這樣的用戶，都部署了Hadoop以及相關技術來代替傳統的數據倉庫。大多數企業的Hadoop集群往往被視為數據進入組織的一個緩沖區域，數據由MapReduce來進行“過濾”，轉換成為傳統的關系型數據，然后再導入到數據倉庫或者數據集市來進行分析。這種方式還提供了一定的靈活性，原始數據可以放在Hadoop系統中，需要進行分析的時候在用ETL進行處理。

Sharma把這種部署方式稱為“數據下游處理”，而另外一家研究機構的總裁Colin White則用更準確的方式進行了總結，即“業務煉油廠”。在今年發布的一項調查報告中，Gartner分析師Mark Beyer和Ted Friedman指出，使用Hadoop收集數據并為數據倉庫中分析數據做準備，這是目前最主流的大數據分析應用實踐。而在272個參與調查的用戶當中，有超過一半的用戶表示他們計劃在未來12個月進行這一工作。

從誕生伊始，Hadoop就吸引了無數軟件開發者在其基礎之上創建新的工具，來彌補自身所存在的諸多不足。比如HBase（分布式數據庫），Hive（基于SQL的數據倉庫），Pig（MapReduce中開發數據分析程序的高級語言）等。其他的一些支持項目現在也成為了Apache項目的一部分，比如Hadoop集群調配管理和監控工具Ambari，NoSQL數據庫Cassandra以及針對大型分布式系統的可靠協調系統ZooKeeper等。

YARN為Hadoop 2.0帶來新活力

Hadoop 2.0目前已經統一稱為Hadoop 2，它已經進入越來越多人的視野當中。其中最重要的一部分就是YARN（Yet Another Resource Negotiator），這個更新的資源管理器能夠讓非MapReduce開發的應用運行在HDFS上。通過這種方式，YARN旨在解除Hadoop的批處理限制，同時提供與現有應用結構的向下兼容。

Cosentino表示，YARN是Hadoop 2.0的最重要發展，它能夠讓多種工作負載并發運行。Yahoo就是一個很好的例子，他們在YARN上部署了Storm復雜事件處理軟件，用來輔助把網站用戶行為數據過濾到Hadoop集群當中。

Hadoop 2還提供了在高可用方面的改進，新的特性能夠幫助用戶在HDFS上創建一個聯邦命名節點架構，而無需依靠一個單一的節點來控制整個集群。此外，它還添加了對Windows平臺的支持，配合大型廠商定制開發的各種實用工具，Hadoop在企業級層面上的應用將被看好。