Hadoop 无法解决的问题

因为项目的需要,学习使用了 Hadoop,和所有过热的技术一样,“大数据”、“海量”这类词语在互联网上满天乱飞。Hadoop 是一个非常优秀的分布式编程框架,设计精巧而且目前没有同级别同重量的替代品。另外也接触到一个内部使用的框架,对于 Hadoop 做了封装和定制,使得更满足业务需求。我最近也想写一些 Hadoop 的学习和使用心得,但是看到网上那么泛滥的文章,我觉得再写点笔记一样的东西实在是没有价值。倒不如在漫天颂歌的时候冷静下来看看,有哪些不适合 Hadoop 解决的难题呢?

Hadoop

这张图就是 Hadoop 的架构图,Map 和 Reduce 是两个最基本的处理阶段,之前有输入数据格式定义和数据分片,之后有输出数据格式定义,二者中间还可以实现 combine 这个本地 reduce 操作和 partition 这个重定向 mapper 输出的策略行为。可以增加的定制和增强包括:

  • 输入数据和输出数据的强化,例如通过数据集管理起来,可以统一、合并各式数据集,甚至也可以给数据增加过滤操作作为初筛,事实上业务上的核心数据源是种类繁多的;
  • 数据分片策略的扩展,我们经常需要把具备某些业务共性的数据放到一起处理;
  • combine 和 partition 的扩展,主要是有一些策略实现是在很多 Hadoop 的 job 中都是通用的;
  • 监控工具的扩展,这方面我也见过别的公司内部定制的工具;
  • 通讯协议和文件系统的增强,尤其是文件系统,最好能用起来像接近本地命令一样,这样的定制在互联网上也能找得到;
  • 数据访问的编程接口的进一步封装,主要也是为了更切合业务,用着方便;
  • ……

这些定制从某种程度上也反应了 Hadoop 在实际使用中略感局限或者设计时无暇顾及的地方,但是这些都是小问题,都是通过定制和扩展能够修复的。但是有一些问题,是 Hadoop 天生无法解决的,或者说,是不适合使用 Hadoop 来解决的问题。

1、最最重要一点,Hadoop 能解决的问题必须是可以 MapReduce 的。这里有两个特别的含义,一个是问题必须可以拆分,有的问题看起来很大,但是拆分很困难;第二个是子问题必须独立——很多 Hadoop 的教材上面都举了一个斐波那契数列的例子,每一步数据的运算都不是独立的,都必须依赖于前一步、前二步的结果,换言之,无法把大问题划分成独立的小问题,这样的场景是根本没有办法使用 Hadoop 的。

2、数据结构不满足 key-value 这样的模式的。在 Hadoop In Action 中,作者把 Hadoop 和关系数据库做了比较,结构化数据查询是不适合用 Hadoop 来实现的(虽然像 Hive 这样的东西模拟了 ANSI SQL 的语法)。即便如此,性能开销不是一般关系数据库可以比拟的,而如果是复杂一点的组合条件的查询,还是不如 SQL 的威力强大。编写代码调用也是很花费时间的。

3、Hadoop 不适合用来处理大批量的小文件。其实这是由 namenode 的局限性所决定的,如果文件过小,namenode 存储的元信息相对来说就会占用过大比例的空间,内存还是磁盘开销都非常大。如果一次 task 的文件处理较大,那么虚拟机启动、初始化等等准备时间和任务完成后的清理时间,甚至 shuffle 等等框架消耗时间所占的比例就小得多;反之,处理的吞吐量就掉下来了。(有人做了一个实验,参阅:链接

4、Hadoop 不适合用来处理需要及时响应的任务,高并发请求的任务。这也很容易理解,上面已经说了虚拟机开销、初始化准备时间等等,即使 task 里面什么都不做完整地跑一遍 job 也要花费几分钟时间。

5、Hadoop 要处理真正的“大数据”,把 scale up 真正变成 scale out,两台小破机器,或者几、十几 GB 这种数据量,用 Hadoop 就显得粗笨了。异步系统本身的直观性并不像那些同步系统来得好,这是显而易见的。所以基本上来说,维护成本不会低。

文章未经特殊标明皆为本人原创,未经许可不得用于任何商业用途,转载请保持完整性并注明来源链接 《四火的唠叨》

23,341 次阅读

发表评论

电子邮件地址不会被公开。

back to top