大数据Hadoop、Spark等名词释义

大数据技术本质上解决4个核心问题：存储、计算、查询、挖掘。本文主要针对前三点经常出现的相关名词进行释义。

背景

大数据技术先驱Google发表了：《Google file system》《Google MapReduce》《Google BigTable》。Apache软件基金会根据这三本秘籍研究出了hadoop技术并开源推广。从此大数据分布式计算技术层出不穷，技术革命主要围绕计算和查询的性能展开，在存储上并没有太大变化。

鼻祖hadoop是做什么的？

Hadoop就是一个分布式计算的解决方案。

比如1亿个1相加。单台计算机的处理方式是：做一亿次的循环每次+1。分布式的处理方式是：用1万台计算机，每个计算机只需计算1万个1相加，再有一台计算机把1万台计算机的结果相加。计算速度就提高了1万倍。

这可能是一个不恰当的例子。但所谓分布式、云计算，大抵也就是这么回事了。

分布式计算技术经历的时代

hadoop1.0时代

Hadoop1.0=HDFS（数据存储）+ Mapreduce（数据处理）

HDFS：Hadoop Distributed FileSystem。传统的文件系统是单机的，不能跨机器，比如oracle、sqlserver。HDFS则能让大量数据横跨成百上千台机器，并且它让你看到的是一个文件系统而不是很多文件系统。比如你要获取/hdfs/tmp/file1的数据，你引用的是一个文件路径，但是实际的数据存放在很多不同的机器上。你作为用户不需要知道这些，就好比在单机上你不关心文件分散在什么磁道什么扇区一样。HDFS为你管理这些数据。

MapReduce：俗称MR，只有Map和Reduce两个计算过程，Map可以理解为几百台机器同时统计，Reduce则是将几百台机器的结果汇总。

hadoop2.0时代

Hadoop2.0=HDFS（数据存储）+ Mapreduce（数据处理）+Hive（SQL翻译器）+YARN（资源管理系统）

Hive：可以把HDFS数据文件映射为数据库表，并且提供HQL（类SQL）查询功能。它是数据仓库工具，本身不做数据存储。它构建在分布式存储系统HDFS之上，通过其查到的表数据本质上来说还是HDFS的文件。Hive充当了MapReduce（开发语言是Java）的翻译官，所以它最大的作用是解决了非开发人员的使用问题。

YARN：负责整个系统的资源管理和分配，每一次任务都需要申请内存等资源，同时也可以监控管理程序应用。

Spark时代

Spark=HDFS（数据存储）+Spark-Core（数据处理）+Spark-SQL（SQL翻译器）

一句话概括，比hadoop时代的计算速度更快。Spark是继Hadoop之后的下一代分布式内存计算引擎，于2009年诞生于加州大学伯克利分校AMPLab实验室，现在主要由Databricks公司进行维护（公司创始员工均来自AMPLab）。组件Spark-Core对标hadoop的MapReduce，组件Spark-SQL对标hadoop的Hive，组件Spark-Streaming对标hadoop的Storm。