1.2 代表性大数据技术

大数据技术的发展步伐很快，不断有新的技术涌现，这里着重介绍几种目前市场上具有代表性的一些大数据技术，包括Hadoop、Spark、Flink、Beam等。

1.2.1 Hadoop

Hadoop是Apache软件基金会旗下的一个开源分布式计算平台，为用户提供了系统底层细节透明的分布式计算架构。Hadoop是基于Java语言开发的，具有很好的跨平台特性，并且可以部署在廉价的计算机集群中。Hadoop的核心是分布式文件系统（Hadoop Distributed File System，HDFS）和MapReduce。借助于Hadoop，程序员可以轻松地编写分布式并行程序，将其运行在廉价的计算机集群上，完成海量数据的存储与计算。经过多年的发展，Hadoop生态系统不断完善和成熟，目前已经包含多个子项目（见图1-1）。除了核心的HDFS和MapReduce以外，Hadoop生态系统还包括YARN、Zookeeper、HBase、Hive、Pig、Mahout、Sqoop、Flume、Ambari等功能组件。

这里简要介绍一下这些组件的功能，要了解Hadoop的更多细节内容，可以访问本教材官网，学习《大数据技术原理与应用》在线视频的内容。

1. HDFS

Hadoop分布式文件系统HDFS是针对谷歌分布式文件系统（Google File System，GFS）的开源实现，它是Hadoop两大核心组成部分之一，提供了在廉价服务器集群中进行大规模分布式文件存储的能力。HDFS具有很好的容错能力，并且兼容廉价的硬件设备，因此，可以以较低的成本利用现有机器实现大流量和大数据量的读写。

HDFS采用了主从（Master/Slave）结构模型，一个HDFS集群包括一个名称节点和若干个数据节点（见图1-2）。名称节点作为中心服务器，负责管理文件系统的命名空间及客户端对文件的访问。集群中的数据节点一般是一个节点运行一个数据节点进程，负责处理文件系统客户端的读/写请求，在名称节点的统一调度下进行数据块的创建、删除和复制等操作。

用户在使用HDFS时，仍然可以像在普通文件系统中那样，使用文件名去存储和访问文件。实际上，在系统内部，一个文件会被切分成若干个数据块，这些数据块被分布存储到若干个数据节点上。当客户端需要访问一个文件时，首先把文件名发送给名称节点，名称节点根据文件名找到对应的数据块（一个文件可能包括多个数据块），再根据每个数据块信息找到实际存储各个数据块的数据节点的位置，并把数据节点位置发送给客户端，最后，客户端直接访问这些数据节点获取数据。在整个访问过程中，名称节点并不参与数据的传输。这种设计方式，使得一个文件的数据能够在不同的数据节点上实现并发访问，大大提高了数据的访问速度。

2. MapReduce

MapReduce是一种分布式并行编程模型，用于大规模数据集（大于1TB）的并行运算，它将复杂的、运行于大规模集群上的并行计算过程高度抽象到两个函数：Map和Reduce。MapReduce极大方便了分布式编程工作，编程人员在不会分布式并行编程的情况下，也可以很容易将自己的程序运行在分布式系统上，完成海量数据集的计算。

在MapReduce中（见图1-3），一个存储在分布式文件系统中的大规模数据集，会被切分成许多独立的小数据块，这些小数据块可以被多个Map任务并行处理。MapReduce框架会为每个Map任务输入一个数据子集，Map任务生成的结果会继续作为Reduce任务的输入，最终由Reduce任务输出最后结果，并写入分布式文件系统。

MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为移动数据需要大量的网络传输开销，尤其是在大规模数据环境下，这种开销尤为惊人，所以，移动计算要比移动数据更加经济。本着这个理念，在一个集群中，只要有可能，MapReduce框架就会将Map程序就近地在HDFS数据所在的节点运行，即将计算节点和存储节点放在一起运行，从而减少了节点间的数据移动开销。

3. YARN

YARN是负责集群资源调度管理的组件。YARN的目标就是实现“一个集群多个框架”，即在一个集群上部署一个统一的资源调度管理框架YARN，在YARN之上可以部署其他各种计算框架（见图1-4），比如MapReduce、Tez、Storm、Giraph、Spark、OpenMPI等，由YARN为这些计算框架提供统一的资源调度管理服务（包括CPU、内存等资源），并且能够根据各种计算框架的负载需求，调整各自占用的资源，实现集群资源共享和资源弹性收缩。通过这种方式，可以实现一个集群上的不同应用负载混搭，有效提高了集群的利用率，同时，不同计算框架可以共享底层存储，在一个集群上集成多个数据集，使用多个计算框架来访问这些数据集，从而避免了数据集跨集群移动，最后，这种部署方式也大大降低了企业运维成本。目前，可以运行在YARN之上的计算框架包括离线批处理框架MapReduce、内存计算框架Spark、流计算框架Storm和DAG计算框架Tez等。和YARN一样提供类似功能的其他资源管理调度框架还包括Mesos、Torca、Corona、Borg等。

4. HBase

HBase是针对谷歌BigTable的开源实现，是一个高可靠、高性能、面向列、可伸缩的分布式数据库，主要用来存储非结构化和半结构化的松散数据。HBase可以支持超大规模数据存储，它可以通过水平扩展的方式，利用廉价计算机集群处理由超过10亿行元素和数百万列元素组成的数据表。

图1-5描述了Hadoop生态系统中HBase与其他部分的关系。HBase利用MapReduce来处理HBase中的海量数据，实现高性能计算；利用Zookeeper作为协同服务，实现稳定服务和失败恢复；使用HDFS作为高可靠的底层存储，利用廉价集群提供海量数据存储能力，当然，HBase也可以在单机模式下使用，直接使用本地文件系统而不用HDFS作为底层数据存储方式，不过，为了提高数据可靠性和系统的健壮性，发挥HBase处理大量数据等功能，一般都使用HDFS作为HBase的底层数据存储方式。此外，为了方便在HBase上进行数据处理，Sqoop为HBase提供了高效、便捷的RDBMS数据导入功能，Pig和Hive为HBase提供了高层语言支持。

5. Hive

Hive是一个基于Hadoop的数据仓库工具，可以用于对存储在Hadoop文件中的数据集进行数据整理、特殊查询和分析处理。Hive的学习门槛比较低，因为它提供了类似于关系数据库SQL语言的查询语言——HiveQL，可以通过HiveQL语句快速实现简单的MapReduce统计，Hive自身可以自动将HiveQL语句快速转换成MapReduce任务进行运行，而不必开发专门的MapReduce应用程序，因而十分适合数据仓库的统计分析。

6. Flume

Flume是Cloudera公司开发的一个高可用的、高可靠的、分布式的海量日志采集、聚合和传输系统。Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接收方的能力。

7. Sqoop

Sqoop是SQL-to-Hadoop的缩写，主要用来在Hadoop和关系数据库之间交换数据，可以改进数据的互操作性。通过Sqoop，可以方便地将数据从MySQL、Oracle、PostgreSQL等关系数据库中导入Hadoop（比如导入到HDFS、HBase或Hive中），或者将数据从Hadoop导出到关系数据库，使得传统关系数据库和Hadoop之间的数据迁移变得非常方便。

1.2.2 Spark

1. Spark简介

Spark最初诞生于美国加州大学伯克利分校的AMP实验室，是一个可应用于大规模数据处理的快速、通用引擎，如今是Apache软件基金会下的顶级开源项目之一。Spark最初的设计目标是使数据分析更快——不仅运行速度快，也要能快速、容易地编写程序。为了使程序运行更快，Spark提供了内存计算和基于DAG的任务调度执行机制，减少了迭代计算时的I/O开销；而为了使编写程序更为容易，Spark使用简练、优雅的Scala语言编写，基于Scala提供了交互式的编程体验。同时，Spark支持Scala、Java、Python、R等多种编程语言。

Spark的设计遵循“一个软件栈满足不同应用场景”的理念，逐渐形成了一套完整的生态系统，既能够提供内存计算框架，也可以支持SQL即席查询（Spark SQL）、流式计算（Spark Streaming）、机器学习（MLlib）和图计算（GraphX）等。Spark可以部署在资源管理器YARN之上，提供一站式的大数据解决方案。因此，Spark所提供的生态系统同时支持批处理、交互式查询和流数据处理。

2. Spark与Hadoop的对比

Hadoop虽然已成为大数据技术的事实标准，但其本身还存在诸多缺陷，最主要的缺陷是MapReduce计算模型延迟过高，无法胜任实时、快速计算的需求，因而只适用于离线批处理的应用场景。总体而言，Hadoop中的MapReduce计算框架主要存在以下缺点：

• 表达能力有限。计算都必须要转化成Map和Reduce两个操作，但这并不适合所有的情况，难以描述复杂的数据处理过程；

• 磁盘I/O开销大。每次执行时都需要从磁盘读取数据，并且在计算完成后需要将中间结果写入到磁盘中，I/O开销较大；

• 延迟高。一次计算可能需要分解成一系列按顺序执行的MapReduce任务，任务之间的衔接由于涉及I/O开销，会产生较高延迟。而且，在前一个任务执行完成之前，其他任务无法开始，因此，难以胜任复杂、多阶段的计算任务。

Spark在借鉴MapReduce优点的同时，很好地解决了MapReduce所面临的问题。相比于MapReduce，Spark主要具有如下优点：

• Spark的计算模式也属于MapReduce，但不局限于Map和Reduce操作，还提供了多种数据集操作类型，编程模型比MapReduce更灵活；

• Spark提供了内存计算，中间结果直接放到内存中，带来了更高的迭代运算效率；

• Spark基于DAG的任务调度执行机制，要优于MapReduce的迭代执行机制。

如图1-6所示，对比Hadoop MapReduce与Spark的执行流程，可以看到，Spark最大的特点就是将计算数据、中间结果都存储在内存中，大大减少了I/O开销，因而，Spark更适合于迭代运算比较多的数据挖掘与机器学习运算。

使用Hadoop MapReduce进行迭代计算非常耗资源，因为每次迭代都需要从磁盘中写入、读取中间数据，I/O开销大。而Spark将数据载入内存后，之后的迭代计算都可以直接使用内存中的中间结果作运算，避免了从磁盘中频繁读取数据。如图1-7所示，Hadoop与Spark在执行逻辑斯蒂回归（Logistic Regression）时所需的时间相差巨大。

在实际进行开发时，使用Hadoop需要编写不少相对底层的代码，不够高效。相对而言，Spark提供了多种高层次、简洁的API，通常情况下，对于实现相同功能的应用程序，Spark的代码量要比Hadoop少很多。更重要的是，Spark提供了实时交互式编程反馈，可以方便地验证、调整算法。

近年来，大数据机器学习和数据挖掘的并行化算法研究，成为大数据领域一个较为重要的研究热点。在Spark崛起之前，学术界和业界普遍关注的是Hadoop平台上的并行化算法设计。但是，MapReduce的网络和磁盘读写开销大，难以高效地实现需要大量迭代计算的机器学习并行化算法。因此，近年来国内外的研究重点开始转向到如何在Spark平台上实现各种机器学习和数据挖掘的并行化算法设计。为了方便一般应用领域的数据分析人员，使用熟悉的R语言在Spark平台上完成数据分析，Spark提供了一个称为Spark R的编程接口，使得一般应用领域的数据分析人员，可以在R语言的环境里方便地使用Spark的并行化编程接口和强大计算能力。

3. Spark与Hadoop的统一部署

Spark正以其结构一体化、功能多元化的优势，逐渐成为当今大数据领域最热门的大数据计算平台。目前，越来越多的企业放弃MapReduce，转而使用Spark开发企业应用。但是，需要指出的是，Spark作为计算框架，只是取代了Hadoop生态系统中的计算框架MapReduce，而Hadoop中的其他组件依然在企业大数据系统中发挥着重要的作用。比如，企业依然需要依赖Hadoop分布式文件系统HDFS和分布式数据库HBase，来实现不同类型数据的存储和管理，并借助于YARN实现集群资源的管理和调度。因此，在许多企业实际应用中，Hadoop和Spark的统一部署是一种比较现实合理的选择。由于MapReduce、Storm和Spark等，都可以运行在资源管理框架YARN之上，因此，可以在YARN之上统一部署各个计算框架（见图1-8）。这些不同的计算框架统一运行在YARN中，具有以下几个优点：

• 计算资源按需伸缩；

• 不用负载应用混搭，集群利用率高；

• 共享底层存储，避免数据跨集群迁移。

1.2.3 Flink

Flink是Apache软件基金会的顶级项目之一，是一个针对流数据和批数据的分布式计算框架，设计思想主要来源于Hadoop、MPP数据库、流计算系统等。Flink主要是由Java代码实现的，目前主要还是依靠开源社区的贡献而发展。Flink所要处理的主要场景是流数据，批数据只是流数据的一个特例而已，也就是说，Flink会把所有任务当成流来处理。Flink可以支持本地的快速迭代以及一些环形的迭代任务。

Flink以层级式系统形式组建其软件栈（见图1-9），不同层的栈建立在其下层基础上。具体而言，Flink的典型特性如下：

• 提供了面向流处理的DataStream API和面向批处理的DataSet API。DataSet API支持Java、Scala和Python，DataStream API支持Java和Scala；

• 提供了多种候选部署方案，比如本地模式（Local）、集群模式（Cluster）和云模式（Cloud）。对于集群模式而言，可以采用独立模式（Standalone）或者YARN；

• 提供了一些类库，包括Table（处理逻辑表查询）、FlinkML（机器学习）、Gelly（图像处理）和CEP（复杂事件处理）；

• 提供了较好的Hadoop兼容性，不仅可以支持YARN，还可以支持HDFS、HBase等数据源。

Flink和Spark一样，都是基于内存的计算框架，因此，都可以获得较好的实时计算性能。当全部运行在Hadoop YARN之上时，Flink的性能甚至还要略好于Spark，因为，Flink支持增量迭代，具有对迭代进行自动优化的功能。Flink和Spark都支持流计算，二者的区别在于，Flink是一行一行地处理数据，而Spark是基于RDD的小批量处理，所以，Spark在流式处理方面，不可避免地会增加一些延时，实时性没有Flink好。Flink的流计算性能和Storm差不多，可以支持毫秒级的响应，而Spark则只能支持秒级响应。总体而言，Flink和Spark都是非常优秀的基于内存的分布式计算框架，但是，Spark的市场影响力和社区活跃度明显超过Flink，这在一定程度上限制了Flink的发展空间。

1.2.4 Beam

Beam是由谷歌贡献的Apache顶级项目，是一个开源的统一的编程模型，开发者可以使用Beam SDK来创建数据处理管道，然后，这些程序可以在任何支持的执行引擎上运行，比如运行在Spark、Flink上。如图1-10所示，终端用户用Beam来实现自己所需的流计算功能，使用的终端语言可能是Python、Java等，Beam为每种语言提供了一个对应的SDK，用户可以使用相应的SDK创建数据处理管道，用户写出的程序可以被运行在各个Runner上，每个Runner都实现了从Beam管道到平台功能的映射。通过这种方式，Beam使用一套高层抽象的API屏蔽了多种计算引擎的区别，开发者只需要编写一套代码就可以运行在不同的计算引擎之上。

Beam是2017年发布的Apache项目，由于诞生时间较短，目前市场接受度有限，尚未形成广泛影响力，是否能够最终获得市场认可，还有待时间的检验。