提到大數(shù)據(jù)分析平臺(tái)寓搬，不得不說Hadoop系統(tǒng)杂彭，Hadoop到現(xiàn)在也超過10年的歷史了，很多東西發(fā)生了變化木蹬，版本也從0.x進(jìn)化到目前的2.6版本至耻。我把2012年后定義成后Hadoop平臺(tái)時(shí)代，這不是說不用Hadoop，而是像NoSQL （Not Only SQL）那樣尘颓，有其他的選型補(bǔ)充走触。我在知乎上也寫過Hadoop的一些入門文章如何學(xué)習(xí)Hadoop - 董飛的回答，為了給大家有個(gè)鋪墊疤苹，簡(jiǎn)單講一些相關(guān)開源組件互广。
背景篇
Hadoop: 開源的數(shù)據(jù)分析平臺(tái)，解決了大數(shù)據(jù)（大到一臺(tái)計(jì)算機(jī)無法進(jìn)行存儲(chǔ)卧土，一臺(tái)計(jì)算機(jī)無法在要求的時(shí)間內(nèi)進(jìn)行處理）的可靠存儲(chǔ)和處理惫皱。適合處理非結(jié)構(gòu)化數(shù)據(jù)，包括HDFS尤莺，MapReduce基本組件旅敷。
HDFS：提供了一種跨服務(wù)器的彈性數(shù)據(jù)存儲(chǔ)系統(tǒng)。
MapReduce：技術(shù)提供了感知數(shù)據(jù)位置的標(biāo)準(zhǔn)化處理流程：讀取數(shù)據(jù)颤霎，對(duì)數(shù)據(jù)進(jìn)行映射（Map）媳谁，使用某個(gè)鍵值對(duì)數(shù)據(jù)進(jìn)行重排，然后對(duì)數(shù)據(jù)進(jìn)行化簡(jiǎn)（Reduce）得到最終的輸出友酱。
Amazon Elastic Map Reduce(EMR)：托管的解決方案韩脑，運(yùn)行在由Amazon Elastic Compute Cloud（EC2）和Simple Strorage Service（S3）組成的網(wǎng)絡(luò)規(guī)模的基礎(chǔ)設(shè)施之上。如果你需要一次性的或不常見的大數(shù)據(jù)處理粹污，EMR可能會(huì)為你節(jié)省開支。但EMR是高度優(yōu)化成與S3中的數(shù)據(jù)一起工作首量，會(huì)有較高的延時(shí)壮吩。
Hadoop 還包含了一系列技術(shù)的擴(kuò)展系統(tǒng)，這些技術(shù)主要包括了Sqoop加缘、Flume鸭叙、Hive、Pig拣宏、Mahout沈贝、Datafu和HUE等。
Pig：分析大數(shù)據(jù)集的一個(gè)平臺(tái)勋乾，該平臺(tái)由一種表達(dá)數(shù)據(jù)分析程序的高級(jí)語言和對(duì)這些程序進(jìn)行評(píng)估的基礎(chǔ)設(shè)施一起組成宋下。
Hive：用于Hadoop的一個(gè)數(shù)據(jù)倉庫系統(tǒng)，它提供了類似于SQL的查詢語言辑莫，通過使用該語言学歧，可以方便地進(jìn)行數(shù)據(jù)匯總，特定查詢以及分析各吨。
Hbase：一種分布的枝笨、可伸縮的、大數(shù)據(jù)儲(chǔ)存庫，支持隨機(jī)横浑、實(shí)時(shí)讀/寫訪問剔桨。
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)存庫如關(guān)系數(shù)據(jù)庫之間的數(shù)據(jù)傳輸徙融。
Flume：一種分布式的洒缀、可靠的、可用的服務(wù)张咳，其用于高效地搜集帝洪、匯總、移動(dòng)大量日志數(shù)據(jù)脚猾。
ZooKeeper：一種集中服務(wù)葱峡，其用于維護(hù)配置信息，命名龙助，提供分布式同步砰奕，以及提供分組服務(wù)。
Cloudera：最成型的Hadoop發(fā)行版本提鸟，擁有最多的部署案例军援。提供強(qiáng)大的部署、管理和監(jiān)控工具称勋。開發(fā)并貢獻(xiàn)了可實(shí)時(shí)處理大數(shù)據(jù)的Impala項(xiàng)目胸哥。
Hortonworks：使用了100%開源Apache Hadoop提供商。開發(fā)了很多增強(qiáng)特性并提交至核心主干赡鲜，這使得Hadoop能夠在包括Windows Server和Azure在內(nèi)平臺(tái)上本地運(yùn)行空厌。
MapR：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。提供諸如快照银酬、鏡像或有狀態(tài)的故障恢復(fù)等高可用性特性嘲更。領(lǐng)導(dǎo)著Apache Drill項(xiàng)目，是Google的Dremel的開源實(shí)現(xiàn)揩瞪，目的是執(zhí)行類似SQL的查詢以提供實(shí)時(shí)處理赋朦。
原理篇
數(shù)據(jù)存儲(chǔ)
我們的目標(biāo)是做一個(gè)可靠的，支持大規(guī)模擴(kuò)展和容易維護(hù)的系統(tǒng)李破。計(jì)算機(jī)里面有個(gè)locality（局部性定律）宠哄，如圖所示。從下到上訪問速度越來越快喷屋，但存儲(chǔ)代價(jià)更大琳拨。
相對(duì)內(nèi)存，磁盤和SSD就需要考慮數(shù)據(jù)的擺放屯曹， 因?yàn)樾阅軙?huì)差異很大狱庇。磁盤好處是持久化惊畏，單位成本便宜，容易備份密任。但隨著內(nèi)存便宜颜启，很多數(shù)據(jù)集合可以考慮直接放入內(nèi)存并分布到各機(jī)器上，有些基于 key-value, Memcached用在緩存上浪讳。內(nèi)存的持久化可以通過 (帶電池的RAM)缰盏，提前寫入日志再定期做Snapshot或者在其他機(jī)器內(nèi)存中復(fù)制。當(dāng)重啟時(shí)需要從磁盤或網(wǎng)絡(luò)載入之前狀態(tài)淹遵。其實(shí)寫入磁盤就用在追加日志上面 口猜，讀的話就直接從內(nèi)存。像VoltDB, MemSQL透揣，RAMCloud 關(guān)系型又基于內(nèi)存數(shù)據(jù)庫济炎，可以提供高性能，解決之前磁盤管理的麻煩辐真。
HyperLogLog & Bloom Filter & CountMin Sketch
都是是應(yīng)用于大數(shù)據(jù)的算法须尚，大致思路是用一組相互獨(dú)立的哈希函數(shù)依次處理輸入。HyperLogLog 用來計(jì)算一個(gè)很大集合的基數(shù)（即合理總共有多少不相同的元素）侍咱，對(duì)哈希值分塊計(jì)數(shù)：對(duì)高位統(tǒng)計(jì)有多少連續(xù)的0耐床；用低位的值當(dāng)做數(shù)據(jù)塊。BloomFilter,在預(yù)處理階段對(duì)輸入算出所有哈希函數(shù)的值并做出標(biāo)記楔脯。當(dāng)查找一個(gè)特定的輸入是否出現(xiàn)過撩轰，只需查找這一系列的哈希函數(shù)對(duì)應(yīng)值上有沒有標(biāo)記。對(duì)于BloomFilter昧廷，可能有False Positive钧敞，但不可能有False Negative。BloomFilter可看做查找一個(gè)數(shù)據(jù)有或者沒有的數(shù)據(jù)結(jié)構(gòu)（數(shù)據(jù)的頻率是否大于1）麸粮。CountMin Sketch在BloomFilter的基礎(chǔ)上更進(jìn)一步，它可用來估算某一個(gè)輸入的頻率（不局限于大于1）镜廉。
CAP Theorem
技術(shù)篇
來自：http://thinkbig.teradata.com/leading_big_data_technologies/big-data-reference-architecture/
根據(jù)不同的延遲要求（SLA）违诗，數(shù)據(jù)量存儲(chǔ)大小， 更新量多少疮蹦，分析需求诸迟，大數(shù)據(jù)處理的架構(gòu)也需要做靈活的設(shè)計(jì)。上圖就描述了在不同領(lǐng)域中大數(shù)據(jù)組件愕乎。
說大數(shù)據(jù)的技術(shù)還是要先提Google阵苇，Google 新三輛馬車，Spanner, F1, Dremel
Spanner：高可擴(kuò)展感论、多版本绅项、全球分布式外加同步復(fù)制特性的谷歌內(nèi)部數(shù)據(jù)庫，支持外部一致性的分布式事務(wù);設(shè)計(jì)目標(biāo)是橫跨全球上百個(gè)數(shù)據(jù)中心,覆蓋百萬臺(tái)服務(wù)器,包含萬億條行記錄笛粘！(Google就是這么霸氣^-^)
F1:構(gòu)建于Spanner之上,在利用Spanner的豐富特性基礎(chǔ)之上,還提供分布式SQL趁怔、事務(wù)一致性的二級(jí)索引等功能,在AdWords廣告業(yè)務(wù)上成功代替了之前老舊的手工MySQL Shard方案。
Dremel:一種用來分析信息的方法薪前，它可以在數(shù)以千計(jì)的服務(wù)器上運(yùn)行润努，類似使用SQL語言，能以極快的速度處理網(wǎng)絡(luò)規(guī)模的海量數(shù)據(jù)(PB數(shù)量級(jí))示括，只需幾秒鐘時(shí)間就能完成铺浇。
Spark
2014年最火的大數(shù)據(jù)技術(shù)Spark，有什么關(guān)于 Spark 的書推薦垛膝？ - 董飛的回答做了介紹鳍侣。主要意圖是基于內(nèi)存計(jì)算做更快的數(shù)據(jù)分析。同時(shí)支持圖計(jì)算吼拥，流式計(jì)算和批處理倚聚。Berkeley AMP Lab的核心成員出來成立公司Databricks開發(fā)Cloud產(chǎn)品。
Flink
Kafka
Announcing the Confluent Platform 1.0Kafka 描述為 LinkedIn 的“中樞神經(jīng)系統(tǒng)”枯跑，管理從各個(gè)應(yīng)用程序匯聚到此的信息流惨驶，這些數(shù)據(jù)經(jīng)過處理后再被分發(fā)到各處。不同于傳統(tǒng)的企業(yè)信息列隊(duì)系統(tǒng)敛助，Kafka 是以近乎實(shí)時(shí)的方式處理流經(jīng)一個(gè)公司的所有數(shù)據(jù)粗卜，目前已經(jīng)為 LinkedIn, Netflix, Uber 和 Verizon 建立了實(shí)時(shí)信息處理平臺(tái)。Kafka 的優(yōu)勢(shì)就在于近乎實(shí)時(shí)性纳击。
Storm
Samza
LinkedIn主推的流式計(jì)算框架仑荐。與其他類似的Spark，Storm做了幾個(gè)比較纵东。跟Kafka集成良好粘招，作為主要的存儲(chǔ)節(jié)點(diǎn)和中介。
Lambda architecture
Nathan寫了文章《如何去打敗CAP理論》How to beat the CAP theorem偎球，提出Lambda Architecture洒扎，主要思想是對(duì)一些延遲高但數(shù)據(jù)量大的還是采用批處理架構(gòu)，但對(duì)于即時(shí)性實(shí)時(shí)數(shù)據(jù)使用流式處理框架衰絮，然后在之上搭建一個(gè)服務(wù)層去合并兩邊的數(shù)據(jù)流袍冷，這種系統(tǒng)能夠平衡實(shí)時(shí)的高效和批處理的Scale，看了覺得腦洞大開猫牡，確實(shí)很有效胡诗，被很多公司采用在生產(chǎn)系統(tǒng)中。
Lambda架構(gòu)的問題要維護(hù)兩套系統(tǒng)淌友，Twitter開發(fā)了Summingbird來做到一次編程煌恢，多處運(yùn)行。將批處理和流處理無縫連接震庭，通過整合批處理與流處理來減少它們之間的轉(zhuǎn)換開銷瑰抵。下圖就解釋了系統(tǒng)運(yùn)行時(shí)。
NoSQL
數(shù)據(jù)傳統(tǒng)上是用樹形結(jié)構(gòu)存儲(chǔ)（層次結(jié)構(gòu)）器联，但很難表示多對(duì)多的關(guān)系谍憔，關(guān)系型數(shù)據(jù)庫就是解決這個(gè)難題，最近幾年發(fā)現(xiàn)關(guān)系型數(shù)據(jù)庫也不靈了主籍，新型NoSQL出現(xiàn)如Cassandra，MongoDB逛球，Couchbase千元。NoSQL 里面也分成這幾類，文檔型颤绕，圖運(yùn)算型幸海，列存儲(chǔ)祟身，key-value型，不同系統(tǒng)解決不同問題物独。沒一個(gè)one-size-fits-all 的方案袜硫。
Cassandra
大數(shù)據(jù)架構(gòu)中，Cassandra的主要作用就是存儲(chǔ)結(jié)構(gòu)化數(shù)據(jù)挡篓。DataStax的Cassandra是一種面向列的數(shù)據(jù)庫婉陷，它通過分布式架構(gòu)提供高可用性及耐用性的服務(wù)。它實(shí)現(xiàn)了超大規(guī)模的集群官研，并提供一種稱作“最終一致性”的一致性類型秽澳，這意味著在任何時(shí)刻，在不同服務(wù)器中的相同數(shù)據(jù)庫條目可以有不同的值戏羽。
SQL on Hadoop
開源社區(qū)業(yè)出現(xiàn)了很多 SQL-on-Hadoop的項(xiàng)目担神，著眼跟一些商業(yè)的數(shù)據(jù)倉庫系統(tǒng)競(jìng)爭(zhēng)。包括Apache Hive, Spark SQL, Cloudera Impala, Hortonworks Stinger, FacebookPresto, Apache Tajo始花，Apache Drill妄讯。有些是基于Google Dremel設(shè)計(jì)。
Impala
Cloudera公司主導(dǎo)開發(fā)的新型查詢系統(tǒng)酷宵，它提供SQL語義亥贸，能夠查詢存儲(chǔ)在Hadoop的HDFS和HBase中的PB級(jí)大數(shù)據(jù)，號(hào)稱比Hive快5-10倍忧吟，但最近被Spark的風(fēng)頭給罩住了砌函，大家還是更傾向于后者。
Drill
Apache社區(qū)類似于Dremel的開源版本—Drill溜族。一個(gè)專為互動(dòng)分析大型數(shù)據(jù)集的分布式系統(tǒng)讹俊。
在大數(shù)據(jù)集之上做實(shí)時(shí)統(tǒng)計(jì)分析而設(shè)計(jì)的開源數(shù)據(jù)存儲(chǔ)。這個(gè)系統(tǒng)集合了一個(gè)面向列存儲(chǔ)的層煌抒，一個(gè)分布式仍劈、shared-nothing的架構(gòu)，和一個(gè)高級(jí)的索引結(jié)構(gòu)寡壮，來達(dá)成在秒級(jí)以內(nèi)對(duì)十億行級(jí)別的表進(jìn)行任意的探索分析贩疙。
Berkeley Data Analytics Stack
上面說道Spark，在Berkeley AMP lab 中有個(gè)更宏偉的藍(lán)圖况既，就是BDAS这溅，里面有很多明星項(xiàng)目，除了Spark棒仍，還包括：
Mesos：一個(gè)分布式環(huán)境的資源管理平臺(tái)悲靴，它使得Hadoop、MPI莫其、Spark作業(yè)在統(tǒng)一資源管理環(huán)境下執(zhí)行癞尚。它對(duì)Hadoop2.0支持很好耸三。Twitter，Coursera都在使用浇揩。
Tachyon：是一個(gè)高容錯(cuò)的分布式文件系統(tǒng)仪壮，允許文件以內(nèi)存的速度在集群框架中進(jìn)行可靠的共享，就像Spark和MapReduce那樣胳徽。項(xiàng)目發(fā)起人李浩源說目前發(fā)展非郴快，甚至比Spark當(dāng)時(shí)還要驚人膜廊，已經(jīng)成立創(chuàng)業(yè)公司Tachyon Nexus.
BlinkDB：也很有意思乏沸，在海量數(shù)據(jù)上運(yùn)行交互式 SQL 查詢的大規(guī)模并行查詢引擎。它允許用戶通過權(quán)衡數(shù)據(jù)精度來提升查詢響應(yīng)時(shí)間爪瓜，其數(shù)據(jù)的精度被控制在允許的誤差范圍內(nèi)蹬跃。
Cloudera
Hadoop老大哥提出的經(jīng)典解決方案。
HDP （Hadoop Data Platform)
Hortonworks 提出的架構(gòu)選型铆铆。
Redshift
Netflix
完全基于AWS的數(shù)據(jù)處理解決方案敬矩。
