【大咖・来了 第7期】10月24日晚8点观看《智能导购对话机器人实践》

各种博客文章、杂志投稿中，“Hadoop已死”的说法死灰复燃，且又开始甚嚣尘上。近年来，Cloudera不再满足于Hadoop开源平台的身份，转而以企业数据公司的身份进行营销。如今，Cloudera已经进入企业数据云市场：混合云/多云服务，统一的安全体系和管理，多功能分析——都得益于Hadoop的开源服务。

话虽如此，在“Hadoop已死”这一负面论调的汪洋大海中航行，还是困难重重。

Hadoop是什么?

首先，从最基本的层面来讲——Hadoop最初是Apache 软件基金会的一个开源项目。后来，Map/Reduce 和 HDFS也分别被纳入这一项目中，很快就形成了一个广泛而丰富的开源生态系统。如今，Cloudera的“Hadoop发行版”(CDH/HDP/CDP)包含30多个开源项目，涵盖存储、计算平台(例如YARN，以及未来的Kubernetes)、批处理/实时计算框架(Spark、Flink等)、编排、SQL、NoSQL、ML、安全/管理等等。

所以，如果把Hadoop仅仅定义为MapReduce，那么，MapReduce的确正在衰落。但这并不妨碍Spark、Flink以及其他技术的兴起——这使客户感到高兴。这就是平台的美妙和强大之处——它可以进化，可以拥抱新的范式。

那么，如果Hadoop不是一个“项目”或“一组项目”，它又是什么呢?

“Hadoop”是一种哲学——是一场运动，是管理和分析数据的现代化体系结构的发展。

“Hadoop 哲学”

“Hadoop 哲学”始终遵循以下原则：

1. 转向分解软件堆栈，将每一层(存储、计算平台、批处理/实时/SQL计算框架等)构建为可组合的乐高积木，而不是单一且不灵活的软件栈(例如以垂直方式整合的具有定制存储格式、解析器、执行引擎等的数据库。

• 尤其是，通过建立开放的元数据、安全和管理平台来协调分解的堆栈，有助于实现这一点。

2. 转向用于大型分布式系统的商品硬件，而不再是专有/单片硬件+软件堆栈。

• 在经济学理论中，商品被定义为一种物品或服务，具有充分的可替代性和广泛的可获得性，这通常会导致较小的利润率，使价格以外的因素(如品牌)变得并不那么重要。
• 请参阅下面的讨论，了解商品硬件在架构上如何很好地转化为公共云。

3. 转向利用开放数据标准和开源技术，而不是专有的、供应商控制的技术。这不仅仅是开放标准——标准是实现，而不仅仅是“规范”。

4. 转向灵活多变的技术生态系统(MRv1 -> YARN -> K8s, MapReduce -> Spark/Flink等)，而不是对所有的整体堆栈一刀切，从而在每一层都能实现创新。

从某种层面来说，“Hadoop哲学”对于数据架构来说，就像著名的Unix 哲学对于软件开发一样，Eric Raymond在其著作《Unix编程艺术》中阐述了17条Unix规则，同样适用于该领域：

1. 模块原则：使用简洁的接口拼合简单的部件。

• HDFS, YARN/K8s, Spark, Hive等既可以相互组合，又相互依赖。

3. 组合原则：设计时考虑拼接组合。

• Impala，Hive， Spark等可用于端到端的解决方案。

4. 分离原则：策略同机制分离，接口同引擎分离。

• HDFS既是文件系统接口，也是文件系统实现。这就是Spark通过Hadoop兼容文件系统“API”与S3对话的原因。

6. 吝啬原则：除非确无它法，不要编写庞大的程序。

• 避免出现“大”而“胖”的层，而是使用依赖于其他层的模块化层，例如Phoenix和HBase。

7. 透明性原则：设计要可见，以便审查和调试。

• 开源FTW!

16. 多样原则：决不相信所谓“不二法门”的断言。

• Hadoop生态系统提供了多种工具，因为它们适用于不同的场景，并且具有不同的优势(可以通过Spark或Hive实现ETL，通过Hive/Tez或Impala实现SQL，通过LLAP或SparkSQL实现SQL)。

17. 扩展原则：设计着眼未来，未来总比预想来得快。

• 在2005-2006年时，很难预测到HBase, Hive, Impala, Spark, Flink, Kafka等产品的出现，但在过去13年多的时间里，它们成为了高质产品和堆栈的关键组件，这已经是很好的成果了。

云是什么呢?

如今，公共云(以及私有云)显然将成为企业部署体系结构中不可或缺的一部分。

公共云本质上就是企业硬件基础设施(服务器、网络、数据中心等)的商品化。因此，它完全符合Hadoop哲学的原则——专注于商品硬件。此外，整个Hadoop生态系统一直都是为了“变形”和吸收新影响而构建的——Tom White在2006年编写了第一个S3-Hadoop连接器，Amazon在2009年引入了EMR服务。

与此相比，传统数据库供应商很难分解单个的、高度工程化、融合一体化的硬件/软件堆栈，并使它们在公共云中进行“本地化”工作。

不幸的是，就整个行业来说，没能很好的帮助市场(尤其是金融市场)理解Hadoop与传统技术在公共云方面的区别。这值得思考，且亟待改善。

亚马逊的 EMR、Azure的HDInsight，以及谷歌的Dataproc都是很好的例子，能够很好地说明“Hadoop”是如何在客户群的公共云中大规模推动巨头价值和业务的。

Cloudera是什么?

Cloudera是一家数据公司。这家公司能够将数据转化为清晰且可操作的观点，这主要是通过“Hadoop哲学”来实现的。我们建立了这个市场——为自己的过去感到骄傲，但并没有被蒙蔽。我们借力于技术浪潮(公共云、Kubernetes等)，这不仅有益于客户，也符合公司的使命。

即使再过一百年，企业依然会希望将数据转化为观点。这是我们正在做的，并将持续做下去。

有些事情确实发生了改变——这需要引起注意。五年前，当我们还是IT技术时，就获得了通行证。所有的酷小孩都想和我们一起玩，把他们能找到的所有用例分享过来，还向他们的朋友们炫耀我们。在某种程度上，当时的主流情绪是“已经知道答案是Hadoop——那么问题是什么?”。这导致在产品生命周期的早期出现了一些不合理的、不切实际的期望。现在我们需要努力去说服客户，才能让其使用我们的产品，但是带给他们的价值和理念是毋庸置疑的。我们还需要说服客户使用如CDP之类的技术。但他们今天确实在与我们合作，正如他们在集体平台上运行的数千BP的数据和数百万分析程序所证明的那样!

本质上，通过参与用户和企业存储/管理/保护/控制/分析数据的用例，我们将继续蓬勃发展。随着“Hadoop已死”的说法重现又消退，我们会被误解，也愿意被误解一段时间——因为我们重视结果。所有伟大的公司都会时不时的被误解，坚持到最后就是胜利者。

Gartner分析师Merv Adrian喜欢讲述这样一个故事，一个客户说他最喜欢的“Hadoop应用程序”就是在S3中使用了带有Spark的Tensorflow。Merv问他为什么选择Hadoop，他回答是因为Hadoop团队创建了它。而且，使用的Spark来自Hadoop发行版。因此，Merv指出：“通常，旁人才能看出Hadoop的价值所在。”

CDP的基本目标是确保使用云服务能让企业更容易从平台获得价值，而无需处理技术的复杂性。尤其是，使用CDP提供的用于数据仓库和机器学习的本地SaaS式服务经验，使得业务用户能够轻松分析存储在云空间中的数据。此外，SDX使得使用ABAC和细粒度策略跨存储在对象存储和on-prem HDFS中的数据建立完全安全的数据湖变得非常简单，还提供了用于治理和加密(存储和在线)的来源和沿袭。在这方面取得的进展令人兴奋——正如从许多企业客户反馈中看到的那样!

那么，Hadoop已经死去了吗?

对Hadoop旧的认知已经过时了——尘埃落定。Hadoop作为一种理念，正在推动着开源技术生态系统和开放数据标准不断发展，使人们能够将数据转化为观点，这种理念是鲜活而持久的。

只要有数据，就会有Hadoop。

Hadoop的旧理念已死。Hadoop的新理念长青。