近些年來(lái)Hadoop生態(tài)系統(tǒng)發(fā)展迅猛，它本身包含的軟件越來(lái)越多，同時(shí)帶動(dòng)了周邊系統(tǒng)的繁榮發(fā)展。尤其是在分布式計(jì)算這一領(lǐng)域，系統(tǒng)繁多紛雜，時(shí)不時(shí)冒出一個(gè)系統(tǒng)，號(hào)稱(chēng)自己比MapReduce或者Hive高效幾十倍，幾百倍。有一些無(wú)知的人，總是跟著瞎起哄，說(shuō)Impala將取代Hive，Spark將取代Hadoop MapReduce等。本文則從問(wèn)題域觸發(fā)，解釋說(shuō)明Hadoop中每個(gè)系統(tǒng)獨(dú)特的作用/魅力以及它們的不可替代性。

Hadoop作為一個(gè)生態(tài)系統(tǒng)，每個(gè)系統(tǒng)只解決某一個(gè)特定的問(wèn)題域（甚至可能很窄），這也是Hadoop的魅力所在：不搞統(tǒng)一型的一個(gè)全能系統(tǒng)，而是小而精的多個(gè)小系統(tǒng)。本文重點(diǎn)討論分布式計(jì)算領(lǐng)域的幾個(gè)開(kāi)源系統(tǒng)可以解決的問(wèn)題域。

（1）MapReduce：古老的分布式計(jì)算框架，它的特點(diǎn)是擴(kuò)展性、容錯(cuò)性好，易于編程，適合離線(xiàn)數(shù)據(jù)處理，不擅長(zhǎng)流式處理、內(nèi)存計(jì)算、交互式計(jì)算等領(lǐng)域。MapReduce網(wǎng)址是：http://hadoop.apache.org/

（2）Hive：披著SQL外衣的MapReduce。Hive是為方便用戶(hù)使用MapReduce而在外面包了一層SQL，由于Hive采用了SQL，它的問(wèn)題域比MapReduce更窄，因?yàn)楹芏鄦?wèn)題，SQL表達(dá)不出來(lái)，比如一些數(shù)據(jù)挖掘算法，推薦算法、圖像識(shí)別算法等，這些仍只能通過(guò)編寫(xiě)MapReduce完成。Hive網(wǎng)址是：http://hive.apache.org/

（3）Pig：披著腳本語(yǔ)言外衣的MapReduce，為了突破Hive SQL表達(dá)能力的限制，采用了一種更具有表達(dá)能力的腳本語(yǔ)言PIG。由于pig語(yǔ)言強(qiáng)大的表達(dá)能力，Twitter甚至基于Pig實(shí)現(xiàn)了一個(gè)大規(guī)模機(jī)器學(xué)習(xí)平臺(tái)（參考Twitter在SIGMOD2012的文章“Large-Scale Machine Learning at Twitter”）。Pig網(wǎng)址是：http://pig.apache.org/

（4）Stinger Initiative（Tez optimized Hive）：Hortonworks開(kāi)源了一個(gè)DAG計(jì)算框架Tez，該框架可以像MapReduce一樣，可以用來(lái)設(shè)計(jì)DAG應(yīng)用程序，但需要注意的是，Tez只能運(yùn)行在YARN上。Tez的一個(gè)重要應(yīng)用是優(yōu)化Hive和PIG這種典型的DAG應(yīng)用場(chǎng)景，它通過(guò)減少數(shù)據(jù)讀寫(xiě)IO，優(yōu)化DAG流程使得Hive速度提供了很多倍。（Stinger正在開(kāi)發(fā)中，Tez代碼：https://svn.apache.org/repos/asf/incubator/tez/branches/）

（5）Spark：為了提高M(jìn)apReduce的計(jì)算效率，伯克利開(kāi)發(fā)了spark，spark可看做基于內(nèi)存的MapReduce實(shí)現(xiàn)，此外，伯克利還在Spark基礎(chǔ)上包了一層SQL，產(chǎn)生了一個(gè)新的類(lèi)似Hive的系統(tǒng)Shark，但目前Spark和Shark尚屬于實(shí)驗(yàn)室產(chǎn)品。Spark網(wǎng)站是：http://spark-project.org/

（6）Storm/S4：Hadoop在實(shí)時(shí)計(jì)算/流式計(jì)算領(lǐng)域（MapReduce假設(shè)輸入數(shù)據(jù)是靜態(tài)的，處理過(guò)程中不能被修改，而流式計(jì)算則假設(shè)數(shù)據(jù)源是流動(dòng)的，數(shù)據(jù)會(huì)源源不斷流入系統(tǒng)），一直比較落后，還好，Twitter開(kāi)源的Storm和yahoo！開(kāi)源的S4彌補(bǔ)了這一缺點(diǎn)，Storm在淘寶，mediaV等公司得到廣泛的應(yīng)用。Storm網(wǎng)址是：http://storm-project.net/，S4網(wǎng)址是：http://incubator.apache.org/s4/

（7）Cloudera Impala/Apache drill：Google Dremel的開(kāi)源實(shí)現(xiàn)，也許是因?yàn)榻换ナ接?jì)算需求太過(guò)強(qiáng)烈，發(fā)展迅猛，impala僅用了一年左右便推出1.0GA版本。這種系統(tǒng)適用于交互式處理場(chǎng)景，***產(chǎn)生的數(shù)據(jù)量一定要少。Impala盡管發(fā)布了1.0版本，但在容錯(cuò)性、擴(kuò)展性、支持自定義函數(shù)等方面，有很長(zhǎng)的路要走。Cloudera Impala網(wǎng)址是：https://github.com/cloudera/impala，Apache drill網(wǎng)址是：http://incubator.apache.org/drill/。

Hortonworks將應(yīng)用需求進(jìn)行了如下劃分：

映射到上面幾種系統(tǒng)，可知：

（1）實(shí)時(shí)應(yīng)用場(chǎng)景(0~5s)：Storm、S4、Cloudera Impala，Apache Drill等；

（2）交互式場(chǎng)景（5s~1m）：這種場(chǎng)景通常能要求必須支持SQL，則可行系統(tǒng)有：Cloudera Impala、Apache Drill、Shark等；

（3）非交互式場(chǎng)景（1m~1h）：通常運(yùn)行時(shí)間較長(zhǎng)，處理數(shù)據(jù)量較大，對(duì)容錯(cuò)性和擴(kuò)展性要求較高，可行系統(tǒng)有：MapReduce、Hive、Pig、Stinger等；

（4）批處理場(chǎng)景（1h+）：通常運(yùn)行時(shí)間很長(zhǎng)，處理數(shù)據(jù)量很大，對(duì)容錯(cuò)性和擴(kuò)展性要求很高，可行系統(tǒng)有：MapReduce、Hive、Pig、Stinger等。

【作者信息】本文作者：Dong（董西成），專(zhuān)注于大規(guī)模數(shù)據(jù)處理相關(guān)技術(shù)，作者的Hadoop新書(shū)《Hadoop技術(shù)內(nèi)幕：深入解析MapReduce架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)原理》已經(jīng)開(kāi)始在當(dāng)當(dāng)、京東、卓越等網(wǎng)站銷(xiāo)售。感興趣的讀者朋友們可以去看看。