推荐丨大数据处理漫谈：盘点开源软件栈

典型架构

很多的场景都是如上的，有web（包括无线、以前CS的模式、现在的BS模式等）、DB、cache、数据分析我就用了Hadoop了（代名词，或者泛指数据仓库了），另外就是一些传感器之类的，数据通道（有的简单如：jdbc等，有的比较复杂，保序不丢等），其中也简单列了一些中间件的软件。这张图组成了一家公司的基本架构形式，其中每个点都是一个领域。每个点、每条边、有成千上万的同学在奉献。其中DB、Hadoop一般沉淀了数据，包含了大部分的计算。

大数据软件栈

从软件栈上看，笔者简单列出了一些主流的软件，当然每层的软件肯定不仅仅这些。还有上一层是开发者平台，再上是BI，应用，此点就属于sass层，很多公司在此层创业，笔者没有列出。其中分布式计算这层软件最多，有两句话：业务数据化，就是业务系统的数据沉淀在大数据平台；还有数据业务化，也就是体现数据的价值，需要各种各样的计算引擎了。另外：从部署来看，大数据基础软件上云，虚拟化应该是一个趋势。存储、计算分离，分开部署是否是一个趋势呢？ 随着网络带宽的提速及成本的降低，在一些场景下简化了复杂性，也未尝不是一种尝试。deploy层解决大数据的部署问题，更加弹性的添加释放资源，包括资源的隔离，跟Resourcemanager层有点类似；storge format数据存储的格式，列式存数为主；distributeFileSystem提供分布式文件的存储能力， 其实可以是如：亚马逊的S3，或者阿里的OSS；Resourcemanager提供大数据操作系统，可以把不同的engine调度起来，包括怎么做隔离等；distribute engine百花齐放，为不同场景提供了很多解决方案，一般应用系统会使用多个engine的，甚至也可以包括DB，如果下层的Resourcemanager做的足够优秀；script层一般降低使用大数据的成本，包括sql、pig等方式，这层是有表的概念的，我们可以跟存储结合起来，提供一个全局的元数据中心；data exchange提供不同系统之间数据流转的能力。

数据量与处理时间

在以时间、数据量的坐标抽上列出目前引擎大致擅长处理数据的坐标，应该还需要加上数据复杂度、成本等维度，才能更好的体现侧重点。没有哪个软件能解决所有的问题，能解决问题也是在一个范围内，即使是spark、flink等。目前存在有意思的事情是：greenplum类似的MPP引擎想处理大数据的需求，hadoop等被定位为大数据的引擎也想解决小数据的问题（列式存储、或者也加入一些索引）。图中右上角的想往左边靠，减少延迟，图中左下角的想往上面靠，增大能处理的数据量。

场景

笔者没有想到更好的方式组织此图，只能如此画出，每个领域或者场景内，又会细分出很多的子场景。

DB层不用去讲，每个网址必有一个DB的。NO-SQL产品就太多了，还分文档类型的，有读优写查、读差写优的等，其实也是DB。MPP其实也发展了很多年，比hadoop之类还要早，主要限制点就是扩展性、灵活性。greenplum开源后，此思潮又火了一把。search一直笔者认为是一个很有意思的产品，产品本身没有准确性的要求，是讲究准确率的。streaming是目前比较火的，特别是物联网、工业4.0的概念越来越火以后。graph也有相应的db，这里一般是分析型的，graph很多问题用ml也可以解决，或者认为其本身也是ml吧，场景比较多，一般就独立出来了。ml可以说现在也是热点之一，只要是数据创业公司，基本ml是其核心的，门槛也比较高。ETL个人感觉目前还是hive最适合的，能取得很高的吞吐，当然别的产品也可以跑的。 一些如GPU、量子计算、银河之类的就不讨论了。

spark、flink肯定是明星，他们解决了好几个领域的问题。大数据的实时分析系统是否就是用MPP之类去实现，还是以一种更加杂揉的方式实现，目前我也不清楚。druid、kudu不知道放在哪里好，也许就是这种杂揉体，说不定会解决很多的问题，赢得市场。

说了这么多，是希望能成体系的梳理下现有的软件。每个软件做出来肯定是为了解决特定场景的问题，也会发挥一定的价值，万物有生有灭，也许下一代计算机的出现，如量子计算会颠覆现有的模式，到时候就是去HADOOP、超级计算机了，希望笔者还能看到。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!