关系和NoSQL数据库与Hadoop

为了更好地理解关系数据库，NoSQL数据库和Hadoop之间的差异，让我们将它们与旅行方式进行比较。您会惊讶地发现它们有许多相似之处。当人们旅行时，他们要么乘坐汽车或飞机，这取决于旅行距离和费用。例如，当您从多伦多前往温哥华时，就旅行时间与成本而言，飞机始终是首选。当您从多伦多前往尼亚加拉瀑布时，一辆车总是一个不错的选择。当您从多伦多前往蒙特利尔时，有些人可能更喜欢乘车去飞机。这里的距离和成本就像大数据量和投资一样。传统的关系数据库就像汽车一样，Hadoop大数据工具就像飞机一样。当您处理少量数据（短距离）时，关系数据库（如汽车）始终是最佳选择，因为处理少量或中等数量的数据非常快捷灵活。当您处理大量数据（长距离）时，Hadoop（如飞机）是最佳选择，因为它更具线性可扩展性，快速且稳定，可处理大量数据。你可以从多伦多开车到温哥华，但需要花费太多时间。
您也可以从多伦多乘坐飞机前往尼亚加拉瀑布，但是前往机场需要更多时间，而且比开车旅行需要更多费用。

此外，您可以乘坐船只或火车。这就像NoSQL数据库，它提供了关系数据库和Hadoop在良好性能方面的特性和平衡，以及对中等到大量数据的各种数据格式支持。

批处理，实时和流处理

使用批处理批量处理数据。它从输入读取数据，处理它，并将其写入输出。 Apache Hadoop是使用MapReduce范例的分布式批处理系统中最着名和最流行的开源实现。数据存储在称为Hadoop分布式文件系统（HDFS）的共享和分布式文件系统中，并分为多个分区，这些分区是MapReduce处理的逻辑数据分区。
要使用MapReduce范例处理这些拆分，map任务会读取拆分并将其所有键/值对传递给map函数，并将结果写入中间文件。映射阶段完成后，reducer将读取通过shuffle进程发送的中间文件，并将它们传递给reduce函数。最后，reduce任务将结果写入最终输出文件。 MapReduce模型的优点包括使分布式编程更容易，接近线性加速，良好的可扩展性以及容错性。批处理模型的缺点是无法执行递归或迭代作业。此外，明显的批处理行为是在reduce作业启动之前所有输入必须通过map准备好，这使得MapReduce不适合在线和流处理用例。

实时处理用于处理数据并几乎立即获得结果。大数据实时即席查询领域的这一概念最初是由Google在Dremel中实现的。它使用一种新颖的柱状存储格式用于嵌套结构，具有快速索引和可伸缩聚合算法，用于并行计算查询结果而不是批处理序列。这两种技术是实时处理的主要特征，并且被类似的实现使用，例如Impala，Presto和Drill，由柱状存储数据格式提供支持，例如Parquet，ORC，CarbonData和Arrow。另一方面，内存计算无疑为实时处理提供了解决方案。与硬盘的200兆字节/秒相比，内存计算提供了非常高的带宽，超过10千兆字节/秒。此外，与硬盘相比，延迟相对较低，为纳秒与毫秒。随着RAM的价格每天越来越低，内存计算更实惠 ，例如Apache Spark（https://spark.apache.org/），这是一种流行的内存计算开源实现。

Spark可以轻松地与Hadoop集成，其内存数据结构Resilient Distributed Dataset（RDD）可以从数据源（如HDFS和HBase）生成，以实现高效的缓存。

流处理用于连续处理实时流数据并对其进行操作以获得结果。在流处理中，有两种常用的通用流处理框架：Storm（https://storm.apache.org/）和Flink（https://flink.apache.org/）。两个框架都在Java虚拟机（JVM）上运行，并且都处理密钥流。在编程模型方面，Storm为您提供了构建框架的基本工具，而Flink为您提供了一个定义明确且易于使用的框架。此外，Samza（http：//samza.ap ache.org/）和Kafka Stream（https://kafka.apache.org/documentation/streams/）利用Kafka进行消息缓存和转换。最近，Spark还提供了一种类型的流处理。

Hadoop生态系统概述

Hadoop于2011年首次由Apache发布，版本为1.0.0，仅包含HDFS和MapReduce。 Hadoop从一开始就被设计为计算（MapReduce）和存储（HDFS）平台。随着对大数据分析的需求不断增加，Hadoop吸引了大量其他软件来解决大数据问题并融入以Hadoop为中心的大数据生态系统。

在当前的Hadoop生态系统中，HDFS仍然是使用硬盘存储时的主要选择，而Alluxio提供了几乎分布式的内存替代方案。在HDFS之上，Parquet，Avro和ORC数据格式可以与用于计算和存储优化的快速压缩算法一起使用。 Yarn作为第一个Hadoop通用资源管理器，旨在实现更好的资源管理和可扩展性。作为内存计算引擎，Spark和Ignite能够在Yarn上运行，以便与Hadoop紧密协作。
另一方面，Kafka，Flink和Storm主导着流处理。 HBase是一个领先的NoSQL数据库，尤其是在Hadoop集群上。对于机器学习，Spark MLlib和Madlib以及新的Mahout。 Sqoop仍然是在Hadoop和关系数据库之间交换数据的主要工具之一。 Flume是一种成熟，分布且可靠的日志收集工具，用于将数据移动或收集到HDFS。 Impala和Drill能够直接针对Hadoop上的数据启动交互式SQL查询。此外，Hive over Spark / Tez以及Live Long和Process（LLAP）为用户提供了在不同计算框架（而不是MapReduce）上使用内存数据缓存在长期流程中运行查询的能力。因此，Hive在生态系统中扮演着比以往更重要的角色。我们也很高兴看到Ambari成为新一代集群，除了Zookeeper之外，管理工具还提供更强大的集群管理和协调。对于计划和工作流程管理，我们可以使用Airflow或Oozie。最后，我们有一个开源治理和元数据服务，Altas，它支持生态系统中大数据的合规性和线条.

完整内容参见 https://www.jianshu.com/p/db6aae0d9e16