企業(yè)可以利用Hadoop以及所有與它相關(guān)的技術(shù)設(shè)計(jì)大數(shù)據(jù)環(huán)境，以滿足其特定的需求。但把所有的技術(shù)集成在一起并不是一件容易的事。

IT團(tuán)隊(duì)尋求構(gòu)建大數(shù)據(jù)架構(gòu)時(shí)有大量的技術(shù)可供選擇，他們可以混合搭配各種技術(shù)以滿足數(shù)據(jù)處理和分析需求。但是有一個(gè)問題存在：把所有需要的技術(shù)框架組合到一起是一項(xiàng)艱巨的任務(wù)。

在不斷擴(kuò)展的Hadoop生態(tài)系統(tǒng)中，選擇和部署合適的大數(shù)據(jù)技術(shù)是一個(gè)長期反復(fù)的過程，周期要以年計(jì)。除非公司管理者愿花大量財(cái)力和資源來加速推動項(xiàng)目。選擇技術(shù)的過程中有失誤判斷是很常見的，一家公司的架構(gòu)藍(lán)圖不一定適用于另一家組織，即便是完全相同的行業(yè)也不行。

Bryan Lari是美國德克薩斯州大學(xué)MD安德森癌癥研究中心（位于休斯頓）研究分析主任，他說：“我經(jīng)常跟人說，這不是像你在亞馬遜下個(gè)訂單或者從蘋果商店買個(gè)東西那么簡單的事。這是一件復(fù)雜的事，它需要一個(gè)過程。我們在半年或者一年之內(nèi)是做不完的。這也不是可以套用公式就能應(yīng)用的技術(shù)，盡管有很多案例或者用戶有成功經(jīng)驗(yàn)，但我們也可能用不同的工具來滿足我們的需求。”

MD安德森的大數(shù)據(jù)環(huán)境集中在Hadoop集群中，在三月份的時(shí)候投入了生產(chǎn)環(huán)境，初步打算用來處理病人房間監(jiān)視設(shè)備傳輸回來的重要信號數(shù)據(jù)。不過，數(shù)據(jù)湖平臺還包括HBase（與Hadoop配合的NoSQL數(shù)據(jù)庫），Hive（Hadoop支持SQL的軟件），還有各種其他Apache開源技術(shù)，例如：Pig、Sqoop、Oozie和Zookeeper。此外，這家癌癥治療和研究組織還部署了Oracle數(shù)據(jù)倉庫作為信息庫來支持分析和報(bào)表應(yīng)用，還有IBM的Watson認(rèn)知計(jì)算系統(tǒng)提供自然語言處理和機(jī)器學(xué)習(xí)功能。未來出現(xiàn)新的數(shù)據(jù)可視化、治理和安全工具也必然會參與進(jìn)來。

MD安德森癌癥中心的IT團(tuán)隊(duì)在2015年初就開始使用Hadoop。為了演示可能的應(yīng)用情況同時(shí)熟悉該技術(shù)，該中心首先使用基本的Apache Hadoop軟件構(gòu)建了試點(diǎn)集群環(huán)境。后來，他們部署了Hadoop Hortonworks分布式架構(gòu)用于生產(chǎn)環(huán)境。

Vamshi Punugoti是MD安德森癌癥中興研究信息系統(tǒng)的副主任，他說從這次試點(diǎn)項(xiàng)目中得到的經(jīng)驗(yàn)可以使他們處理架構(gòu)調(diào)整更容易。隨著新的大數(shù)據(jù)工具出現(xiàn)，總會有調(diào)整架構(gòu)的可能性，一定需要功能增強(qiáng)或者替換組件。Punugoti說：“這是個(gè)持續(xù)更新的過程，包括我們收集到的數(shù)據(jù)都在不斷變化著。如果我們認(rèn)為(現(xiàn)有架構(gòu))可以處理一切那就太天真了。”

演進(jìn)更好的架構(gòu)

Uber平臺工程師團(tuán)隊(duì)花了大約一年時(shí)間設(shè)計(jì)了多層大數(shù)據(jù)架構(gòu)，但是這么多技術(shù)組件搭建的有點(diǎn)倉促。Uber公司Hadoop團(tuán)隊(duì)高級工程師Vinoth Chandar說，該公司的現(xiàn)有系統(tǒng)跟不上業(yè)務(wù)運(yùn)營帶來的快速增長的數(shù)據(jù)量。結(jié)果，大部分?jǐn)?shù)據(jù)不能進(jìn)行實(shí)時(shí)分析，Chandar認(rèn)為這對于Uber公司倡導(dǎo)實(shí)質(zhì)性“實(shí)時(shí)叫車”理念來說是個(gè)大問題。

為了幫助運(yùn)營經(jīng)理實(shí)現(xiàn)數(shù)據(jù)驅(qū)動，Chandar和他的同事們搭建了Hadoop數(shù)據(jù)湖環(huán)境，其中包括HBase、Hive、Spark處理引擎、Kafka消息隊(duì)列系統(tǒng)，還有其它一些技術(shù)。其中一些技術(shù)是內(nèi)部構(gòu)建的，例如：有一款數(shù)據(jù)提取工具Streamific。

有了該架構(gòu)之后，Uber公司將追趕大數(shù)據(jù)和分析的藝術(shù)狀態(tài)。但是，這并不是容易做到的。他半開玩笑地補(bǔ)充說：“為了把這些技術(shù)組件整合到一起，我們十個(gè)人幾乎一年沒有睡覺。”

架構(gòu)的挑戰(zhàn)對于組織來說可不是鬧著玩的。Gartner咨詢公司預(yù)測，到2018年，70%的Hadoop部署將無法實(shí)現(xiàn)他們節(jié)約成本和收入增長的目標(biāo)，主要原因是技能不足和技術(shù)整合困難。Gartner公司分析師Merv Adrian說，整合障礙還在加劇，Hadoop分發(fā)商與大數(shù)據(jù)技術(shù)有關(guān)的數(shù)字還在穩(wěn)步攀升，這代表了部署Hadoop的公司對Hadoop技術(shù)支持的需求量趨勢。

在2016年太平洋西北地區(qū)BI峰會上，Adrian列舉了46種Hadoop相關(guān)的開源技術(shù)創(chuàng)新，這些產(chǎn)品都是由一家或者多家分發(fā)商提供支持服務(wù)的。但是，要把這些組件放到大數(shù)據(jù)架構(gòu)中卻是留給使用方的工作。“大多數(shù)Hadoop項(xiàng)目都像是藝術(shù)工作，我們都要把這些技術(shù)組件整合到一起使用。”

執(zhí)行過程中的變化

這種整合拼湊工作是非常艱巨的任務(wù)，即便Hadoop不是框架中的一部分。Celtra公司提供了一個(gè)平臺可以設(shè)計(jì)在線顯示和視頻廣告，有幾部分已經(jīng)在基于云的處理架構(gòu)中陸續(xù)部署了，現(xiàn)在正把Spark及其SQL模塊整合到Amazon簡單存儲服務(wù)(S3)、MySQL關(guān)系型數(shù)據(jù)庫和Snowflake計(jì)算的數(shù)據(jù)倉庫系統(tǒng)。

Grega Kespret是這家波士頓公司的分析總監(jiān)，他說：“我們經(jīng)歷了許多嘗試和錯(cuò)誤。比較有挑戰(zhàn)的是要設(shè)計(jì)一套架構(gòu)滿足業(yè)務(wù)需求，但還不能過度設(shè)計(jì)。”他提醒說，如果你做了，可能會以一片混亂而告終。

最開始的時(shí)候，Celtra公司通過網(wǎng)站訪問者和S3中的其它可跟蹤事件收集廣告交互數(shù)據(jù)，然后使用Spark作為ETL引擎(抽取、轉(zhuǎn)換和加載)聚合信息，分析MySQL中的運(yùn)營數(shù)據(jù)用于報(bào)表。但是，原始的事件數(shù)據(jù)是很難分析的。Celtra公司增加了一套獨(dú)立的基于Spark的分析系統(tǒng)，但是仍然需要該公司的數(shù)據(jù)分析師們團(tuán)結(jié)一致去清理和驗(yàn)證事件數(shù)據(jù)，這個(gè)過程的工作是很容易出錯(cuò)的。

在2015年底的時(shí)候，Kespret和他的團(tuán)隊(duì)經(jīng)過各種嘗試最終放棄了其它技術(shù)，選擇了Snowflake作為事件數(shù)據(jù)存儲系統(tǒng)，然后把數(shù)據(jù)按用戶會話進(jìn)行組織之后會存儲到MySQL，這樣數(shù)據(jù)分析師用起來更方便。

Snowflake系統(tǒng)在去年四月份投入生產(chǎn)使用，比該軟件軟發(fā)布較早一點(diǎn)。Kespret說，下一步是要在Snowflake中存儲數(shù)據(jù)，評估第二步ETL過程，然后處理數(shù)據(jù)存儲到另一套MySQL數(shù)據(jù)庫中。

大數(shù)據(jù)開發(fā)的“狂野西部日”

Hadoop合作設(shè)計(jì)者Doug Cutting認(rèn)為，技術(shù)選擇方案過多導(dǎo)致了構(gòu)建大數(shù)據(jù)架構(gòu)過程的復(fù)雜化。對于許多希望利用Hadoop及其同生技術(shù)的用戶組織，“這真像是狂野西部時(shí)期的泡沫”。Cutting現(xiàn)在是Hadoop供應(yīng)商Cloudera公司的首席架構(gòu)師。

不過Cutting認(rèn)為，大數(shù)據(jù)系統(tǒng)的益處也正體現(xiàn)于此——這種多樣性帶來了架構(gòu)靈活性，支持各種新的分析應(yīng)用，而且IT成本更低。因此，費(fèi)一番周折實(shí)現(xiàn)集成也是值得的。他認(rèn)為大多數(shù)問題是因?yàn)閷@些開源軟件的開發(fā)和部署流程不熟悉引起的。他說：“Hadoop很快就不會令人生畏，人們會習(xí)慣使用它的。”

或許是這樣吧，不過雅虎公司(據(jù)聲稱是最大的Hadoop用戶群)的IT經(jīng)理們表示，他們并沒有完全消除壓力。Cutting曾在雅虎總部工作(位于美國加州Sunnyvale)，那時(shí)候Hadoop在2006年剛啟動。雅虎這家web搜索和互聯(lián)網(wǎng)服務(wù)公司是該技術(shù)的第一家生產(chǎn)環(huán)境用戶。目前，該公司(雅虎)的大數(shù)據(jù)環(huán)境有40個(gè)集群，混雜了HBase、Spark、Storm實(shí)時(shí)處理引擎和其它Hadoop相關(guān)技術(shù)。

Sumeet Singh是雅虎公司負(fù)責(zé)云計(jì)算和大數(shù)據(jù)平臺產(chǎn)品開發(fā)的高級總監(jiān)。他說，總的來說，圍繞Hadoop建立的巨大技術(shù)生態(tài)體系對用戶是有利的。Singh表示，Hadoop這個(gè)開源框架加速了技術(shù)開發(fā)的步伐，使IT團(tuán)隊(duì)可以集中精力規(guī)劃和創(chuàng)造對他們公司有用的工具，而不必自己完成所有工作。“我知道有許多開源項(xiàng)目，不過不是每個(gè)人都能廣泛接觸采納，這其中會有真正明確獲益的贏家。”

大數(shù)據(jù)的世界并不總是陽光明媚的，Singh說：“總會有各種問題隨之而來”，他的頭腦快要被各種開源框架和大數(shù)據(jù)框架涉及的數(shù)不清的技術(shù)撐爆了。