• 别老扯什么hadoop,你的数据根本不够大


    本文原名“Don't use Hadoop when your data isn't that big ”,出自有着多年从业经验的数据科学家Chris Stucchio,纽约大学柯朗研究所博士后,搞过高频交易平台,当过创业公司的CTO,更习惯称自己为统计学者。对了,他现在自己创业,提供数据分析、推荐优化咨询服务,他的邮件是:stucchio@gmail.com 。

    “你有多少大数据和Hadoop的经验?”他们问我。我一直在用Hadoop,但很少处理几TB以上的任务。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。

    接下来他们会问:“你能用Hadoop做简单的group by和sum操作吗?”我当然会,但我会说需要看看具体文件格式。

    他们给我一个U盘,里面有所有的数据,600MB,对,他们所有的数据。不知道为什么,我用pandas.read_csvPandas是一种Python数据分析库)而不是Hadoop完成了这个任务后,他们显得很不满意。

    Hadoop其实是挺局限的。它无非是运行某个通用的计算,用SQL伪代码表示就是: SELECT G(...) FROM table GROUP BY F(...) 你只能改变G和F操作,除非要在中间步骤做性能优化(这可不怎么好玩!)。其他一切都是死的。

    (关于MapReduce,之前作者写过一篇“41个词讲清楚MapReduce”,可以参考。)

    Hadoop里,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。忍受紧身衣的唯一原因就是,可以扩展到极大极大的数据集。可你的数据集实际上很可能根本远远够不上那个数量级。

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

    可我的数据有好几百MB呢!Excel都装不下

    对Excel很大可不是什么大数据。有很多好工具——我喜欢用的是基于Numpy的Pandas。它可以将几百MB数据以高效的向量化格式加载到内存,在我已经3年的老笔记本上,一眨眼的功夫,Numpy就能完成1亿次浮点计算。Matlab和R也是很棒的工具。

    数百MB数据一般用一个简单的Python脚本逐行读取文件、处理,然后写到了一个文件就行了。

    可我的数据有10G呢!

    我刚买了一台笔记本电脑。16G内存花了141.98美元,256GB SSD多收200美元。另外,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——你可以将 “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。

    最差情况下,你还可以不同时将所有数据都一次加载到内存里。

    可我的数据有100GB/500GB/1TB!

    一个2T的硬盘才94.99美元,4T是169.99。买一块,加到桌面电脑或者服务器上,然后装上PostgreSQL。

    Hadoop的适用范围远小于SQL和Python脚本

    从计算的表达能力来说,Hadoop比SQL差多了。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是直观的查询语言,没有太多抽象,业务分析师和程序员都很常用。SQL查询往往非常简单,而且一般也很快——只要数据库正确地做了索引,要花几秒钟的查询都不太多见。

    Hadoop没有任何索引的概念,它只知道全表扫描。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、内存碎片和集群竞用了,实际的数据分析工作反而没了时间。

    如果你的数据结构不是SQL表的形式(比如纯文本、JSON、二进制),一般写一小段Python或者Ruby脚本按行处理更直接。保存在多个文件里,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。

    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,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。

    附注:Hadoop也是不错的工具

    我可不是成心黑Hadoop啊。其实我自己经常用Hadoop来完成其他工具无法轻易完成的任务。(我推荐使用Scalding,而不是Hive或者Pig,因为你可以用Scala语言来写级联Hadoop任务,隐藏了MapReduce底层细节。)我本文要强调的是,用Hadoop之前应该三思而行,别500MB数据这样的蚊子,你也拿Hadoop这样的大炮来轰。

    评论
     

    已有35条评论

    • 最新
    ljx930520 2015-01-31 14:28
    怎样用pandas读GB级的数据啊?~内存溢出了
    0
    我是一只魂 2015-04-13 19:13
    你好,不知道你的问题解决没? 我用的是pandas0.16版本,python2.7.5,用pandas加载几百兆的数据出现MemoryError。求助解决!
    0
    毕加索爱编程 2014-09-26 20:08
    了解hadoop是必须的,现在hadoop更新的很快,基本上一两个月就能发布一个新版本。 各种性能也在提高。 即使对hadoop的褒贬不一,但是不能否认它是一个非常优秀的分布式平台,大家可以多了解一点。 目前最新的hadoop是hadoop2.5.1,界面什么的都更新了
    0
    yfteach 2014-08-09 18:34
    云凡教育Hadoop2.x架构详解和伪分布式环境搭建视频分享http://www.yfteach.com
    0
    haitao 2014-03-29 11:29
    百G、10亿条级别,mssql2005就完全胜任——内存大点、分区表
    0
    Mea_Culpa 2013-12-16 15:24
    现在都好高级,让我这用awk 分进程的情何以堪...
    0
    baidu_23542553 2014-11-19 17:08
    同感啊 awk飘过
    0
    瓜瓜东西 2013-11-14 08:45
    hadoop也不是啥高新的技术,只是现阶段说有的技术排列组合到一起,实现了一些功能,大数据库处理,内存处理能力已经到天花板了,技术不好提升了
    0
    红帆软件 2013-09-21 15:00 来自 新浪微博
    路要自己走,乐在其中才有建树,追风总会随风而散
    0
    hills 2013-09-20 22:47
    个人认为,Hadoop的分布式计算和可以理论上无限的水平扩展是优势,业务复杂度一般的TPS达到1万是小CASE。
    0
    BYSF_XF 2013-09-20 12:46
    我上次去一家公司,做小项目的,面试居然还问到了负载均衡什么的,简直扯蛋
    -1
    cheniwantyou 2013-09-20 12:19
    那些小破公司动不动也吹神马hadoop啊,其实都是人傻没办法。这些完全就是炒作罢了
    0
    hctsai 2013-09-20 01:28
    真懷疑作者學歷怎麼拿的,還當過CTO。MapReduce 解決的不只是 Scalability 問題,精隨也不只是把工作分到不同節點運算後再合併。更關鍵的解決 Atomic運算的互鎖卻忽略不提。談論Big Data 只考慮數據輛大小,而不考慮處理速度、資料變異性、容錯,真的是誤導新人。
    1
    期科比 2015-10-11 12:20

    说得有理啊

    0
    车东 2013-09-19 19:39 来自 新浪微博
    @梁斌penny 你研究的内存数据库有对此过一些来源引擎吗?
    0
    xg1103 2013-09-19 17:14
    路过~~~~~~~~~
    0
    搬砖工人 2013-09-19 09:54
    其实Hive也是写的SQL语句
    0
    getclass 2013-09-18 22:04
    这句话说的太精辟了 “Hadoop其实是挺局限的。它无非是运行某个通用的计算,用SQL伪代码表示就是: SELECT G(...) FROM table GROUP BY F(...) 你只能改变G和F操作,除非要在中间步骤做性能优化(这可不怎么好玩!)。其他一切都是死的。”
    0
    我心向着佛 2013-09-18 19:24 来自 新浪微博
    [围观]
    0
    旖旎嫣儿 2013-09-18 16:14 来自 新浪微博
    看到了,私信了
    0
    Bai-Bertie 2013-09-18 16:13 来自 新浪微博
    有道理!
    0
    iamxiami 2013-09-18 15:05
    每小时1TB的数据呢? 公司做的项目,每小时差不多可能有1TB的数据. 用户有要求需要秒级查询数据(不统计),为了满足多要求,只能选择冗余多份存放HBASE,更有趣是客户可能需要个IN的操作,有几个列是树型的结构,很可能他查一个数据,条件就几MB,转成几万条查询... 还需要分页... NND,对N多查询自己做seek... 哎~ 真的没什么好替换的方案,被逼的!
    0
    普世编程技术 2013-09-20 11:49
    有个概念叫OLAP知道不? 复杂的,批量数据,就应该先安排作业,然后一天之后才拿到结果。 hadoop这样的东西,只适合google这等即使搜索的业务,所以google自己研究论文,自己实现自己的业务技术。 是个人,是个公司就讲hadoop,就和非洲某个吃不饱饭的小村庄,讨论人家美国总统选举一样荒唐可笑。
    0
    sniffer12345 2013-09-18 14:42
    即便是5TB 你上mysql集群也比hadoop好得多
    -1
    juefan_c 2013-09-18 14:39
    也不见得很对, Hadoop能处理上TB级别的数据, 也能处理100M级别的小数据, 但不见得拿100M级别的数据用其它工具处理就是明智的, 例如这100M的数据得从1TB的数据中生成时, 如果反复迁移数据的话, 那成本更大!
    0
    胡争辉 2013-09-18 14:33 来自 新浪微博
    期待翻译后我好转发
    0
    白硕SH 2013-09-18 14:18 来自 新浪微博
    太拽了!
    0
    胡争辉 2013-09-18 13:57 来自 新浪微博
    浇灭NoSQL虚火从清算Hadoop入手
    0
    好兵帅克 2013-09-18 13:52
    用Hadoop之前应该三思而行,别500MB数据这样的蚊子,你也拿Hadoop这样的大炮来轰。这才是核心!
    2
    ictcamera 2013-09-18 13:51
    国内砖家一般不希望把这层纸给捅破
    0
    外号cook 2013-09-18 13:29
    不太懂
    0
    无聊找乐 2013-09-18 12:27
    其实用的人未必不知道这些。 炒作新概念使用新技术 不过是一种营销手段罢了~
    0
    Well工作室 2013-09-18 11:59
    因地制宜!
    0
    308682805 2013-09-18 11:47
    这个是准确的
    0
    m101162004 2013-09-18 11:28
     
  • 相关阅读:
    [HAL]5.中断里调用HAL_Delay()进入死循环的原因
    【个人吐槽】C、Delphi、C#、java 摘抄
    【常用软件】木木的常用软件点评(2)------VC程序员常用工具篇
    【下位机软件】平均值滤波之鬼斧神工算法
    【vs2013】如何在VS的MFC中配置使用GDI+?
    【MFC】MFC改变对话框中静态文本的字体大小
    【MFC】VC界面绘制双缓存
    【MFC】如何在MFC创建的程序中更改主窗口的属性 与 父窗口 WS_CLIPCHILDREN 样式 对子窗口刷新的影响 与 窗体区域绘制问题WS_CLIPCHILDREN与WS_CLIPSIBLINGS
    Query的选择器中的通配符[id^='code']或[name^='code']
    获取checkbox数组 里面的值
  • 原文地址:https://www.cnblogs.com/felixzh/p/4961629.html
Copyright © 2020-2023  润新知