深度解析如何挑選適合自己的Hadoop平臺(tái)

Hadoop平臺(tái)的多種選擇 

下圖展示了Hadoop平臺(tái)的多種選擇。你可以只安裝Apache 發(fā)布版本，或從不同提供商所提供的幾個(gè)發(fā)行版本中選擇一個(gè)，或決定使用某個(gè)大數(shù)據(jù)套件。每個(gè)發(fā)行版本都包含有Apache Hadoop，而幾乎每個(gè)大數(shù)據(jù)套件都包含或使用了一個(gè)發(fā)行版本，理解這一點(diǎn)是很重要的。

下面我們首先從Apache Hadoop開始來(lái)好好看看每種選擇。

Apache Hadoop; Apache Hadoop項(xiàng)目的目前版本（2.0版）含有以下模塊
Hadoop通用模塊：支持其他Hadoop模塊的通用工具集。 
Hadoop分布式文件系統(tǒng)（HDFS）：支持對(duì)應(yīng)用數(shù)據(jù)高吞吐量訪問(wèn)的分布式文件系統(tǒng)。 
Hadoop YARN：用于作業(yè)調(diào)度和集群資源管理的框架。 
Hadoop MapReduce：基于YARN的大數(shù)據(jù)并行處理系統(tǒng)。 
在本地系統(tǒng)上獨(dú)立安裝Apache Hadoop是非常容易的（只需解壓縮并設(shè)置某些環(huán)境變量，然后就可以開始使用了）。但是這只合適于入門和做一些基本的教程學(xué)習(xí)。 

如果你想在一個(gè)或多個(gè)“真正的節(jié)點(diǎn)”上安裝Apache Hadoop，那就復(fù)雜多了。

問(wèn)題1：復(fù)雜的集群設(shè)置

你可以使用偽分布式模式在單個(gè)節(jié)點(diǎn)上模擬多節(jié)點(diǎn)的安裝。你可以在單臺(tái)服務(wù)器上模擬在多臺(tái)不同服務(wù)器上的安裝。就算是在該模式下，你也要做大量的配置工作。如果你想設(shè)置一個(gè)由幾個(gè)節(jié)點(diǎn)組成的集群，毫無(wú)疑問(wèn)，該過(guò)程就變得更為復(fù)雜了。要是你是一個(gè)新手管理員，那么你就不得不在用戶權(quán)限、訪問(wèn)權(quán)限等諸如此類的問(wèn)題中痛苦掙扎。 

問(wèn)題2： Hadoop生態(tài)系統(tǒng)的使用

在Apache中，所有項(xiàng)目之間都是相互獨(dú)立的。這是很好的一點(diǎn)！不過(guò)Hadoop生態(tài)系統(tǒng)除了包含Hadoop外，還包含了很多其他Apache項(xiàng)目：

Pig：分析大數(shù)據(jù)集的一個(gè)平臺(tái)，該平臺(tái)由一種表達(dá)數(shù)據(jù)分析程序的高級(jí)語(yǔ)言和對(duì)這些程序進(jìn)行評(píng)估的基礎(chǔ)設(shè)施一起組成。 
Hive：用于Hadoop的一個(gè)數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)，它提供了類似于SQL的查詢語(yǔ)言，通過(guò)使用該語(yǔ)言，可以方便地進(jìn)行數(shù)據(jù)匯總，特定查詢以及分析存放在Hadoop兼容文件系統(tǒng)中的大數(shù)據(jù)。 
Hbase：一種分布的、可伸縮的、大數(shù)據(jù)儲(chǔ)存庫(kù)，支持隨機(jī)、實(shí)時(shí)讀/寫訪問(wèn)。 
Sqoop：為高效傳輸批量數(shù)據(jù)而設(shè)計(jì)的一種工具，其用于Apache Hadoop和結(jié)構(gòu)化數(shù)據(jù)儲(chǔ)存庫(kù)如關(guān)系數(shù)據(jù)庫(kù)之間的數(shù)據(jù)傳輸。 
Flume：一種分布式的、可靠的、可用的服務(wù)，其用于高效地搜集、匯總、移動(dòng)大量日志數(shù)據(jù)。 
ZooKeeper：一種集中服務(wù)，其用于維護(hù)配置信息，命名，提供分布式同步，以及提供分組服務(wù)。 

你需要安裝這些項(xiàng)目，并手動(dòng)地將它們集成到Hadoop中。 

問(wèn)題3：商業(yè)支持

Apache Hadoop只是一個(gè)開源項(xiàng)目。這當(dāng)然有很多益處。你可以訪問(wèn)和更改源碼。實(shí)際上有些公司使用并擴(kuò)展了基礎(chǔ)代碼，還添加了新的特性。很多討論、文章、博客和郵件列表中都提供了大量信息。

然而，真正的問(wèn)題是如何獲取像Apache Hadoop這樣的開源項(xiàng)目的商業(yè)支持。公司通常只是為自己的產(chǎn)品提供支持，而不會(huì)為開源項(xiàng)目提供支持（不光是Hadoop項(xiàng)目，所有開源項(xiàng)目都面臨這樣的問(wèn)題）。

何時(shí)使用Apache Hadoop

由于在本地系統(tǒng)上，只需10分鐘左右就可完成其獨(dú)立安裝，所以Apache Hadoop很適合于第一次嘗試。你可以試試WordCount示例（這是Hadoop的“hello world”示例），并瀏覽部分MapReduce的Java代碼 。 如果你并不想使用一個(gè)“真正的”Hadoop發(fā)行版本（請(qǐng)看下一節(jié)）的話，那么選擇Apache Hadoop也是正確的。然而，我沒(méi)有理由不去使用Hadoop的一個(gè)發(fā)行版本——因?yàn)樗鼈円灿忻赓M(fèi)的、非商業(yè)版。

所以，對(duì)于真正的Hadoop項(xiàng)目來(lái)說(shuō)，我強(qiáng)烈推薦使用一個(gè)Hadoop的發(fā)行版本來(lái)代替Apache Hadoop。下一節(jié)將會(huì)說(shuō)明這種選擇的優(yōu)點(diǎn)。 

Hadoop發(fā)行版本

Hadoop發(fā)行版本解決了在上一節(jié)中所提到的問(wèn)題。發(fā)行版本提供商的商業(yè)模型百分之百地依賴于自己的發(fā)行版本。他們提供打包、工具和商業(yè)支持。而這些不僅極大地簡(jiǎn)化了開發(fā)，而且也極大地簡(jiǎn)化了操作。 Hadoop發(fā)行版本將Hadoop生態(tài)系統(tǒng)所包含的不同項(xiàng)目打包在一起。這就確保了所有使用到的版本都可以順當(dāng)?shù)卦谝黄鸸ぷ?。發(fā)行版本會(huì)定期發(fā)布，它包含了不同項(xiàng)目的版本更新。

發(fā)行版本的提供商在打包之上還提供了用于部署、管理和監(jiān)控Hadoop集群的圖形化工具。采用這種方式，可以更容易地設(shè)置、管理和監(jiān)控復(fù)雜集群。節(jié)省了大量工作。 正如上節(jié)所提到的，獲取普通Apache Hadoop項(xiàng)目的商業(yè)支持是很艱難的，而提供商卻為自己的Hadoop發(fā)行版本提供了商業(yè)支持。 

Hadoop發(fā)行版本提供商

目前，除了Apache Hadoop外， HortonWorks、Cloudera和MapR三駕馬車在發(fā)布版本上差不多齊頭并進(jìn)。雖然，在此期間也出現(xiàn)了其他的Hadoop發(fā)行版本。比如EMC公司的Pivotal HD、IBM的InfoSphere BigInsights。通過(guò)Amazon Elastic MapReduce（EMR），Amazon甚至在其云上提供了一個(gè)托管的、預(yù)配置的解決方案。

雖然很多別的軟件提供商沒(méi)有開發(fā)自己的Hadoop發(fā)行版本，但它們和某一個(gè)發(fā)行版本提供商相互合作。舉例來(lái)說(shuō)，Microsoft和Hortonworks相互合作，特別是合作將Apache Hadoop引入到Windows Server操作系統(tǒng)和Windows Azure云服務(wù)中。另外一個(gè)例子是，Oracle通過(guò)將自己的軟硬件與Cloudera的Hadoop發(fā)行版本結(jié)合到一起，提供一個(gè)大數(shù)據(jù)應(yīng)用產(chǎn)品。而像SAP、Talend這樣的軟件提供商則同時(shí)支持幾個(gè)不同的發(fā)行版本。 

如何選擇合適的Hadoop發(fā)行版本？

本文不會(huì)評(píng)估各個(gè)Hadoop的發(fā)行版本。然而，下面會(huì)簡(jiǎn)短地介紹下主要的發(fā)行版本提供商。在不同的發(fā)行版本之間一般只有一些細(xì)微的差別，而提供商則將這些差別視為秘訣和自己產(chǎn)品的與眾不同之處。下面的列表解釋了這些差別:

Cloudera：最成型的發(fā)行版本，擁有最多的部署案例。提供強(qiáng)大的部署、管理和監(jiān)控工具。Cloudera開發(fā)并貢獻(xiàn)了可實(shí)時(shí)處理大數(shù)據(jù)的Impala項(xiàng)目。 
Hortonworks：不擁有任何私有（非開源）修改地使用了100%開源Apache Hadoop的唯一提供商。Hortonworks是第一家使用了Apache HCatalog的元數(shù)據(jù)服務(wù)特性的提供商。并且，它們的Stinger開創(chuàng)性地極大地優(yōu)化了Hive項(xiàng)目。Hortonworks為入門提供了一個(gè)非常好的，易于使用的沙盒。Hortonworks開發(fā)了很多增強(qiáng)特性并提交至核心主干，這使得Apache Hadoop能夠在包括Windows Server和Windows Azure在內(nèi)的Microsft Windows平臺(tái)上本地運(yùn)行。 
MapR：與競(jìng)爭(zhēng)者相比，它使用了一些不同的概念，特別是為了獲取更好的性能和易用性而支持本地Unix文件系統(tǒng)而不是HDFS（使用非開源的組件）?？梢允褂帽镜豒nix命令來(lái)代替Hadoop命令。除此之外，MapR還憑借諸如快照、鏡像或有狀態(tài)的故障恢復(fù)之類的高可用性特性來(lái)與其他競(jìng)爭(zhēng)者相區(qū)別。該公司也領(lǐng)導(dǎo)著Apache Drill項(xiàng)目，本項(xiàng)目是Google的Dremel的開源項(xiàng)目的重新實(shí)現(xiàn)，目的是在Hadoop數(shù)據(jù)上執(zhí)行類似SQL的查詢以提供實(shí)時(shí)處理。 

為了做出正確的選擇，請(qǐng)了解各個(gè)發(fā)行版本的概念并進(jìn)行試用。請(qǐng)查證所提供的工具并分析企業(yè)版加上商業(yè)支持的總費(fèi)用。在這之后，你就可以決定哪個(gè)發(fā)行版本是適合自己的。 

何時(shí)使用Hadoop發(fā)行版本？

由于發(fā)行版本具有打包、工具和商業(yè)支持這些優(yōu)點(diǎn)，所以在絕大多數(shù)使用情形下都應(yīng)使用Hadoop的發(fā)行版本。使用普通的（原文為plan，應(yīng)為plain）Apache Hadoop發(fā)布版本并在此基礎(chǔ)之上構(gòu)建自己的發(fā)行版本的情況是極少見的。你會(huì)要自己測(cè)試打包，構(gòu)建自己的工具，并自己動(dòng)手寫補(bǔ)丁。其他一些人已經(jīng)遇到了你將會(huì)遇到的同樣問(wèn)題。所以，請(qǐng)確信你有很好的理由不使用Hadoop發(fā)行版本。 

然而，就算是Hadoop發(fā)行版本也需要付出很大的努力。你還是需要為自己的MapReduce作業(yè)編寫大量代碼，并將你所有的不同數(shù)據(jù)源集成到Hadoop中。而這就是大數(shù)據(jù)套件的切入點(diǎn)。 

結(jié)論 

Hadoop安裝有好幾種選擇。你可以只使用Apache Hadoop項(xiàng)目并從Hadoop生態(tài)系統(tǒng)中創(chuàng)建自己的發(fā)行版本。像Cloudera、Hortonworks或MapR這樣的Hadoop發(fā)行版本提供商為了減少用戶需要付出的工作，在Apache Hadoop之上添加了如工具、商業(yè)支持等特性。在Hadoop發(fā)行版本之上，為了使用如建模、代碼生成、大數(shù)據(jù)作業(yè)調(diào)度、所有不同種類的數(shù)據(jù)源集成等附加特性，你可以使用一個(gè)大數(shù)據(jù)套件。一定要評(píng)估不同的選擇來(lái)為自己的大數(shù)據(jù)項(xiàng)目做出正確的決策。