不要使用Hadoop,当你数据不够大的时候

“你在大数据和Hadoop方面有多少经验呢”,他们问我。我告诉他们,我一直在使用Hadoop,但是很少处理几TB以上的数据。我基本上只是一个大数据新手——知道概念,写过代码,但是没有大规模经验。

他们又问我,“你能使用Hadoop做简单的group by(分组)和sum(统计)吗?”我说当然可以,但是我我需要看具体的文件格式。

他们给我一个U盘,里面存储600MB数据(所有的数据,而不是样本数据)。不知道为什么,当我我使用pandas.read_csv(Pandas是一种Python数据分析库)解决方案,而不是Hadoop完成了这个任务后,他们显得很不满意。

Hadoop实际上是有很多局限性的。Hadoop可以运行一个通用的计算,下面我用伪码进行说明:

Scala风格的伪码:

collection.flatMap( (k,v) => F(k,v) ).groupBy( _._1 ).map( _.reduce( (k,v) => G(k,v) ) )

使用SQL风格的伪码表示:

SELECT G(...) FROM table GROUP BY F(...)

或者想我多年解释一样:

Hadoop is limiting. Hadoop allows you to run one general computation, which I’ll illustrate in pseudocode:

Scala-ish pseudocode:

或者想我多年解释一样:

Goal:统计计算图书馆书籍的数量

Map:你统计奇数书架上书的数量,我统计偶数书架上书的数量。(做统计的人越多,统计出结果越快,就是机器越多,效率越高)

Reduce:把我们每个人单独统计的结果数据加在一起。

所以我们唯一需要接触的只有 F(k,v) and G(k,v),除非要在中间步骤中做性能优化(通常十分的无聊),其他一切都是固定的。

在Hadoop里,它迫使你所有计算都必须按照一个map、一个group by、一个aggregate或者这种计算序列来写。这和穿上紧身衣一样,多憋得慌啊。许多计算用其他模型其实更适合。穿上紧身衣(使用hadoop)的唯一原因就是,可以扩展到极大的数据集。可大多数情况,你的数据集很可能根本远远够不上那个数量级。

可是呢,因为Hadoop大数据是热词,世界有一半的人都想穿上紧身衣,即使他们实际不需要Hadoop。

我有几百兆的数据,Excel可能没法加载它

对于Excel来说的“很大的数据”并非大数据,其实还有其它极好的工具可以使用——我喜欢的是基于Numpy库之上Pandas。它可以将几百MB数据以高效的向量化格式加载到内存,在我购买已3年的笔记本上,一眨眼的功夫,Numpy就能完成1亿次浮点计算。Matlab和R也是极好的工具。

因此,对于几百兆的数据量,典型的做法是写一个简单的Python脚本逐行读取,处理,然后写到了一个文件就行了。

可我的数据是10GB呢?

我买了台新笔记本,它有16GB的内存(花$141.98)和256GB的SSD(额外200美元)。如果在Pandas里加载一个10GB的csv文件,实际在内存里并没有那么大(内存不是占有10G)——可以将 “17284932583” 这样的数值串存为4位或者8位整数,“284572452.2435723”存为8位双精度。

最坏的情况下你还可以不同时将所有数据都一次加载到内存里。

可我的数据是100GB、500GB或1TB呢!

一个2T的硬盘才94.99美元,4T是169.99。买一块,加到桌面PC或者服务器上,然后装上Postgres 来解决它.

Hadoop << SQL或Python脚本

在计算的表达能力来说,Hadoop比SQL差。Hadoop里能写的计算,在SQL或者简单的Python脚本都可以更轻松地写出来。

SQL是一个直观的查询语言,适合做业务分析,业务分析师和程序员都很常用。SQL查询非常简单,而且还非常快——只有数据库使用了正确的索引,要花几秒钟的sql查询都不太常见。

Hadoop没有索引的概念,Hadoop只有全表扫描,而且Hadoop抽象层次太多了——我之前的项目尽在应付Java内存错误 java memory errors、内存碎片和集群竞用了,而这些时间远多于实际的数据分析工作。

如果你的数据并不是像SQL表那样的结构化数据(比如纯文本、JSON对象、二进制对象),通常是直接写一个小的Python脚本或者Ruby脚本逐行处理更直接。保存到多个文件,然后逐个处理即可,SQL不适用的情况下,从编程来说Hadoop也没那么糟糕,但相比Python脚本仍然没有什么优势。

除了难以编程,Hadoop还一般总是比其他技术方案要慢。只要索引用得好,SQL查询非常快。比如要计算join,PostgreSQL只需查看索引(如果有),然后查询所需的每个键。而Hadoop呢,必须做全表扫描,然后重排整个表。排序通过多台机器之间分片可以加速,但也带来了跨多机数据流处理的开销。如果要处理二进制文件,Hadoop必须反复访问namenode。而简单的Python脚本只要反复访问文件系统即可。

我的数据超过了5TB!

你的命可真苦——只能苦逼地折腾Hadoop了,没有太多其他选择(可能还能用许多硬盘容量的高富帅机器来扛),而且其他选择往往贵得要命(脑海中浮现出IOE等等字样……)。

用Hadoop唯一的好处是扩展。如果你的数据是一个数TB的单表,那么全表扫描是Hadoop的强项。此外的话(如果你没有这样大数据量的表),请关爱生命,尽量远离Hadoop。它带来的烦恼根本不值,用传统方法既省时又省力。

P.S. Sales Pitch

我建立一个startup旨在提供数据分析和实时的建议和优化针对出版商和电子商务网站。去看看吧

P.P.S. Hadoop是一个极好的工具

我并不讨厌Hadoop,当我用其它工具不能很好处理数据时我会选择Hadoop。另外,我推荐使用Scalding,不要使用Hive或Pig。Scalding支持使用Scala语言来编写Hadoop任务链,隐藏了其下的MapReduce。Hadoop是一个很好的工具,应该针对特定的例子使用它。唯一一点值得我仔细考虑的是运如何行Hadoop上,以处理500MB的大数据,当企业具有一定规模的时候。

文章翻译自 Russian.

WHY·LIAM wechat
记录生活,研究产品,分享设计,分析数据,讨论科技和商业,不定期扯淡。
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!