hadoop技術已經無處不在。不管是好是壞，hadoop已經成為大資料的代名詞。短短幾年間，hadoop從一種邊緣技術成為事實上的標準。看來，不僅現在hadoop是企業大資料的標準，而且在未來，它的地位似乎一時難以動搖。
谷歌檔案系統與mapreduce
我們先來**一下hadoop的靈魂——mapreduce。面對資料的**性增長，谷歌的工程師jeff dean和sanjay ghemawat架構並發布了兩個開創性的系統：谷歌檔案系統（gfs）和谷歌mapreduce（gmr）。前者是乙個出色而實用的解決方案-使用常規的硬體擴充套件並管理資料，後者同樣輝煌，造就了乙個適用於大規模並行處理的計算框架。
谷歌mapreduce（gmr）為普通開發者/使用者進行大資料處理提供了簡易的方式，並使之快速、具備容錯性。谷歌檔案系統（gfs）和谷歌mapreduce（gmr）也為谷歌搜尋引擎對網頁進行抓取、分析提供了核心動力。
再回頭看看開源世界中的hadoop，apache hadoop的分布式檔案系統（hdfs）和hadoop mapreduce完全是谷歌檔案系統（gfs）和谷歌mapreduce（gmr）的開源實現。hadoop專案已經發展成為乙個生態系統，並觸及了大資料領域的方方面面。但從根本上，它的核心是mapreduce。
hadoop是否可以趕超谷歌？
乙個有趣的現象是，mapreduce在谷歌已不再顯赫。當企業矚目mapreduce的時候，谷歌好像早已進入到了下乙個時代。事實上，我們談論的這些技術早就不是新技術了，mapreduce也不例外。
我希望在後hadoop時代下面這些技術能夠更具競爭性。儘管許多apache社群的專案和商業化hadoop專案都非常活躍，並以來自hbase、hive和下一代mapreduce（yarn）的技術不斷完善著hadoop體系，我依然認為，hadoop核心（hdfs和zookeeper）需要脫離mapreduce並以全新的架構增強自己的競爭力，真正與谷歌技術一較高下。
過濾不斷增長的索引，分析不斷變化的資料集。hadoop的偉大之處在於，它一旦開始執行，就會飛速地分析你的資料。儘管如此，在每次分析資料之前，即新增、更改或刪除資料之後，我們都必須將整個資料集進行流式處理。這意味著，隨著資料集的膨脹，分析時間也會隨之增加，且不可預期。
那麼，谷歌又是怎麼做到搜尋結果越來越實時呈現呢？乙個名為percolator的增量處理引擎取代了谷歌mapreduce（gmr）。通過對新建、更改和已刪除文件的處理，並使用二級索引進行高效的分類、查詢，谷歌能夠顯著地降低實現其目標的時間。
percolator的作者寫道：「將索引系統轉化為乙個增量系統……文件平均處理延遲的因子降低到了現在的100。」這句話的意思是，索引web上新內容的速度比之前mapreduce系統快了100倍。
谷歌dremel即時資料分析解決方案
谷歌和hadoop社群曾致力於構建基於mapreduce的易用性即時資料分析工具，如谷歌的並行處理語言sawzall，apache pig和hive。但對熟知sql的人們而言，他們忽略了乙個基本事實-構建mapreduce的目標就在於管理資料處理工作。它的核心能力在於工作流管理，而不是即時資料分析。
與之形成鮮明對比的是，很多bi或資料分析查詢基本上都要求即時、互動和低延遲。這意味著，使用hadoop不僅需要規劃流程圖，而且需要為許多查詢分析裁減不必要的工作流。即便如此，我們也要花費數分鐘等待工作開始，然後花費數小時等待工作流完成，並且這個過程也非常不利於互動式體驗。因此，谷歌研發了dremel予以應對。dremel是google 的「互動式」資料分析系統，可以在幾秒鐘內處理pb級別的資料，並能輕鬆應對即時查詢。
google dremel的設計特點：
dremel是乙個可擴充套件的大型系統。在乙個pb級別的資料集上面，將任務縮短到秒級，無疑需要大量的併發。磁碟的順序讀速度在100mb/s上下，那麼在1s內處理1tb資料，意味著至少需要有1萬個磁碟的併發讀! google一向是用廉價機器辦大事的好手。但是機器越多，出問題概率越大，如此大的集群規模，需要有足夠的容錯考慮，保證整個分析的速度不被集群中的個別節點影響。
dremel是mapreduce的補充。和mapreduce一樣，dremel也需要gfs這樣的檔案系統作為儲存層。在設計之初，dremel並非是mapreduce的替代品，它只是可以執行非常快的分析，在使用的時候，常常用它來處理mapreduce的結果集或者用來建立分析原型。
dremel的資料模型是巢狀的。網際網路資料常常是非關係型的。dremel還需要有乙個靈活的資料模型，這個資料模型至關重要。dremel支援乙個巢狀的資料模型，類似於json。而傳統的關係模型，由於不可避免的有大量的join操作，在處理如此大規模的資料的時候，往往是有心無力的。
dremel中的資料是採用列式儲存的。使用列式儲存，分析的時候，可以只掃瞄需要的那部分資料的時候，減少cpu和磁碟的訪問量。同時列式儲存是壓縮友好的，使用壓縮，可以綜合cpu和磁碟，發揮最大的效能。
dremel結合了web搜尋和並行dbms的技術。dremel借鑑了web搜尋中的「查詢樹」的概念，將乙個相對巨大複雜的查詢，分割成較小較簡單的查詢。大事化小，小事化了，能併發的在大量節點上跑。另外，和並行dbms類似，dremel可以提供了乙個sql-like的介面，就像hive和pig那樣。
谷歌的圖資料計算框架pregel
谷歌mapreduce是專門為抓取、分析世界上最龐大的圖形架構-internet而設計的，但針對大規模圖演算法（如圖遍歷（bfs）、pagerank，最短路徑（sssp）等）的計算則顯得效率低下。因此，谷歌構建了pregel。
pregel給人的印象非常深刻。pregel不僅能高效執行sssp或pagerank演算法，更令人驚訝的是，公布的資料顯示pregel處理乙個有著幾十億節點、上萬億條邊的圖，只需數分鐘即可完成，其執行時間隨著圖的大小呈線性增長。
pregel基於bsp模型，就是「計算」-「通訊」-「同步」的模式：
在pregel中，以節點為中心計算。step 0時每節點都活動著，每個節點主動「給停止投票」進入不活動狀態。如果接收到訊息，則啟用。沒有活動節點和訊息時，整個演算法結束。容錯是通過檢查點來做的。在每個超步開始的時候，對主從節點分別備份。
總結
儘管當前大資料技術的核心依然是hadoop，但谷歌卻已經為我們展現了許多更先進的大資料技術。谷歌開發這些技術的本意並不是要立刻拋棄掉mapreduce，但毫無疑問這是未來大資料技術的趨勢。儘管已經出現了上述大資料技術的開源實現，但我們不禁要問，hadoop的輝煌還能延續多久？（張志平/編譯）
Hadoop的輝煌還能延續多久？
hadoop技術已經無處不在。不管是好是壞，hadoop已經成為大資料的代名詞。短短幾年間，hadoop從一種邊緣技術成為事實上的標準。看來，不僅現在hadoop是企業大資料的標準，而且在未來，它的地位似乎一時難以動搖。谷歌檔案系統與mapreduce 我們先來 一下hadoop的靈魂 mapred...
Hadoop的輝煌還能延續多久？
hadoop技術已經無處不在。不管是好是壞，hadoop已經成為大資料的代名詞。短短幾年間，hadoop從一種邊緣技術成為事實上的標準。看來，不僅現在hadoop是企業大資料的標準，而且在未來，它的地位似乎一時難以動搖。谷歌檔案系統與mapreduce 我們先來 一下hadoop的靈魂 mapred...
Hadoop的輝煌還能延續多久？
hadoop mapraduce dremel pregel google 大資料摘要 hadoop已經成為大資料的代名詞。短短幾年間，hadoop從一種邊緣技術成為事實上的標準。而另一方面，mapreduce在谷歌已不再顯赫。當企業矚目mapreduce的時候，谷歌好像早已進入到了下乙個時代。ha...