常見的Hadoop十大應用誤解
常見的Hadoop十大應用誤解
- 1. (誤解) Hadoop什麼都可以做
(正解) 當一個新技術出來時，我們都會去思考它在各個不同產業的應用，而對於平臺的新技術來說，我們思考之後常會出現這樣的結論 “這個好像什麼都能做”， 然而，更深入的去想，你就會發現“好像什麼都需要重頭做”。 對於Hadoop，我常喜歡舉Database來當例子。 三十年前資料庫(Database)剛出來時，上面並沒有什麼現成的應用方案(Application)，所以廠商在銷售的過程中常需要花很多的時間去告訴客戶說，如果今天你有了這個資料庫，你就可以做什麼什麼的應用，而看起來的確好像資料庫什麼應用都可以做，因為畢竟大部分的應用都會需要一個數據庫。只是三十年前所有的應用都得重頭打造，我們今天習以為常的ERP、CRM等應用系統，當時並不存在的，那都是後來的事了。今天的Hadoop，正好有點像當年database 剛出來的時候，畢竟今天所有的應用或多或少都會開始去處理半結構、非結構化資料，而這些東西的確都是Hadoop擅長的，所以平臺的適用性其實問題不大，重點還是在應用要由誰來搭建。
- 2. (誤解) Hadoop無法扮演HPC (High Performance Computing) or Grid Computing的角色
(正解) 由於Hadoop本身是由並行運算架構(MapReduce)與分散式檔案系統(HDFS)所組成，所以我們也看到很多研究機構或教育單位，開始嘗試把部分原本執行在HPC 或Grid上面的任務，部分移植到Hadoop叢集上面，利用Hadoop兼顧高速運算與海量儲存的特性，更簡易且更有效率地來執行工作。目前國外高能物理、生命科學、醫學等領域，都已經有這樣的應用案例，利用Hadoop叢集與現有的HPC/Grid 搭配、協同運作，來滿足不同特性的運算任務。
- 3. (誤解) Hadoop只能做資料分析/挖掘(Data Mining/Analyst)
(正解) Hadoop特別適合來資料分析與挖掘的應用是毫無疑問的，但資料分析與挖掘是難度與深度都較高的一個應用，所需要的時間的積累也比較長，也因此讓一般企業對於匯入Hadoop視為畏途，甚至心懷恐懼。然而，從Etu知意圖團隊這一兩年來輔導客戶的經驗來看，我們發現其實更多的應用，大多都在資料處理(Data Processing)這個部分，或者更精確地來說，Hadoop這個平臺，特別適合資料預處理(Data pre-Processing)這種應用場景。無論是資料倉庫的負載分流(DW Offload)、資料的彙總(Data Aggregation)、甚或是我們運用協同過濾演算法(Collaborative Filtering)針對線下線上零售業所做的精準推薦應用(Recommendation)，廣義上來看，都可以說是屬於Data Processing的一環，畢竟，Big Data的來臨，我們看data、運用data的角度與方式都必須要有所改變。
l Big Data強調的不是對因果關係的渴求，取而代之的是關注於data之間的相關關係。
l 也就是說，重點在於要知道“是什麼”，反而未必需要知道“為什麼”。
l 所以, 它要求的是所有data的處理，而不只是隨機樣本的分析。
l 最後我們往往會發現，處理Big Data的簡單演算法所得到的來自於data呈現的事實，往往比分析small data的複雜演算法所得到的來自data背後的原因，對企業帶來的效益更大。
我強烈推薦大家去看Big Data: A Revolution That Will Transform How We Live, Work, and Think這本書，裡面把我們面對Big Data該有的觀點與看法，做了非常清楚的陳述，有簡中的的翻譯本，繁中的好像還沒看到。
- 4. (誤解) Hadoop就是BI (Business Intelligence)商業智慧
(正解) 跟前面一樣，這也是大多數人最容易誤解的地方，因為Hadoop特別適合來做資料分析，所以就很直覺地把它想成 “那就是BI嘛”。 會有這種誤解，主要來自於對資料運用的整體架構的不清楚。傳統BI是屬於資料展現層(Data Presentation)，其資料的載體(Data Store)是資料庫或資料倉庫。對比來看，Hadoop就是專注在半結構化、非結構化資料的資料載體，跟BI是不同層次的概念。當然，Hadoop除了Data Store外，又特別具備運算的特性，也因此特別容易帶來這種觀念上的混淆。至於半結構、非結構化資料的資料展現層部分，目前本身並不在Hadoop的生態體系內，而是由其他現有或新創的公司來填補這塊空缺，所以，逐漸地我們會看到越來越多現有的BI tool，開始強調其自身與Hadoop的聯絡性與相容性，同時，一些新創公司，也發展出完全不同於現有BI Tool的基於Big Data的資料展現層。
- 5. (誤解) Hadoop就是ETL (Extract, Transform & Load)
(正解) ETL其實有兩種意涵，它本身是一個概念，也同時是一個產品類別(Product Category)的總稱。所以當我們聽到“某某公司是做ETL產品的”的這種對話時，其中的 ETL，與DB、Application Server等名詞是相同的，都是指向某種類別的IT產品。然而，如果就概念性上來看，ETL指的其實是資料運用的生命週期中的其中一個過程， 跟我前面提到的資料預處理(Data pre-Processing)是同樣一個概念，舉凡資料清洗(Data Cleansing)、資料關聯、資料彙總等，都包含在這個範疇內。所以當我們說Hadoop特別適合拿來做ETL時，在概念上，它是正確的，同時也能很清楚明白地定位出Hadoop在企業資料運用中所扮演的角色。但Hadoop終究不是一個ETL的產品，反倒是現有的ETL產品，也開始跟BI一樣，去發展它在Hadoop上的可用性、聯絡性與相容性。Etu團隊之前在幫客戶匯入Hadoop做資料處理時，常常會用script語言來實現一些應用場景，最近一段時間以來，我們的技術顧問也開始運用3rd-party 的ETL tool來實作這一塊，對企業客戶來說，這是他們較熟悉的工具，也降低了他們進入Hadoop的門坎。
- 6. (誤解) Hadoop跟傳統storage沒什麼差別, 都特別適合來做資料的備份(Data Archive)
(正解) 熟悉storage的人，第一次看到Hadoop時，往往只會注意到它的分散式檔案系統HDFS，然後開始拿它來與現有的storage的功能特性做比較，而忽略掉Hadoop本身並行運算的那一塊。這很合理，畢竟MapReduce的概念，在應用上是比較抽象且難以捉摸的，相反的，HDFS就是一個很清楚且具象的概念。Hadoop當然可以拿來做data archive的運用，但如果你本身的資料沒有被經常或偶爾拿出來使用的需求(也就是我們所說的cold data)的話，Hadoop本身的HDFS作為data archive並不會有特別的優勢，反而傳統storage的一些延伸的功能特性，Hadoop本身並不具備。雖然HDFS本身是一個不錯的object store，具備有作為scale-out NAS的底層的特性,， 但也就僅限於此了， Hadoop本身並沒有特別為它外加storage本身該具有的功能，畢竟Hadoop當初設計時，對資料的儲存與運用的思考，與storage的應用場景是完全不一樣的。Hadoop本身要解決的，反而是現有當資料被放進storage後，需要再被拿出來處理或運算時所遇到的困難性。也因此，它特別適合那些web click-stream、CDR (call detail record)、GPS data, system log、 and other time-series data等資料，因為這些資料都具有需要經常被拿出來分析處理的特性。在實際應用中，Hadoop與傳統storage其實是相輔相成的，闢如說，我們可能會在Hadoop上放過去3到6個月的資料，因為這些資料的再被利用性較高，而6個月之後的資料就可能會把它archive在傳統的storage內，因為它被再利用的程度低很多了。
- 7. (誤解) Hadoop是一個搜尋引擎(Search Engine)
(正解) Search 的確是Hadoop的一個重要的應用，但Hadoop本身並沒有內含search engine。實務上，我們常會把HBase 的index設計運用到極致，來滿足一些特定search 或query的應用，但如果要滿足全文檢索 (full-text search)的需求的話，你就必須在Hadoop上建構一個基於Hadoop的搜尋引擎。Lucene / Katta 及其他的open source都有相對應的計劃，如何藉助Hadoop的特性，來實現一個強大的分散式搜尋引擎，這也是我們一直密切注意、且已放進未來產品的藍圖之中的重要話題。
- 8. (誤解) 基於Hadoop的推薦系統與傳統的推薦系統並無不同
(正解) 傳統的推薦系統只處理客戶的事務資料(transaction data)，大多用的是資料倉庫或商業智慧等解決方案，然而，除了客戶的事務資料之外，是否也有可能針對客戶交易前的行為進行分析、進而產生推薦? 特別是對電子商務網站來說，客戶在完成購買前的點選瀏覽、搜尋、及放進購物車等行為，都包含了豐富的訊息，可以藉此很容易去導引出客戶想要尋找什麼樣的商品，所以，如果在產生推薦過程中可以把這些訊息都納進來，則所產生推薦的精準度與豐富度必然可以大為提高。這正是新一代的推薦系統會面臨到的挑戰 : 如何在事務資料 (Transaction Data) 之外，同時也可以把客戶的互動資料 (Interaction Data) 含括進來? 由於客戶互動資料的型態與事務資料間有極大的差異，其數量級更是遠遠大於事務資料量，運算頻率更是有極高的要求，也因此都遠超過現有資料庫或資料倉儲的能力，而這正是Hadoop所擅長，可以輕易拓展傳統機器學習 (Machine Learning) 演算法分析大量資料集 (Large Datasets) 的能力，並同時具備橫向擴充 (Scale-out) 的能力，可隨著資料集的成長輕易擴充，無論多大的資料都可輕易勝任。
- 9. (誤解) Hadoop不適合用來處理小檔案的應用
(正解) 對Hadoop稍微有點了解的人，都會知道HDFS的block size的default 值為64MB，且不建議往下調，因為HDFS當初在設計時，並不是針對碎片般的小檔案的處理而來的。所以當我們說Hadoop不適合用來處理小檔案的應用時，就技術上來說是對的，但在實際運用上，卻可以有不同的做法來滿足海量小檔案管理的需求。我們在中國曾經輔導過一個保險公司，它本身需要處理的小圖檔 (20KB ~ 1MB)大概有兩億個那麼多，且每天還持續在成長，舉凡客戶的簽名、看診紀錄等，都需要被掃描成影象檔案，並加以儲存，同時，還要偶爾被相對應的應用程式來查詢、呼叫。在實作上，我們把這些小圖檔的binary file存進去HBase——而不是HDFS——來管理，所以HDFS block size的設定值大小就不是重點，同時，利用HBase column-base 高效能與高延展性的特性，可以很輕易的就滿足多人同時快速線上查詢的要求，而隨著檔案數量持續的增加 , 橫向擴充也不再是問題。類似的應用其實還不少，譬如說銀行票據檔案的管理就是其中一種，也因此，Etu團隊在中國市場，特別針對此應用規劃了 “海量小圖檔案管理系統”解決方案，以滿足此類客戶的需求。
- 10. (誤解) Hadoop不適合用來做日誌管理(Log Management)的應用
(正解) 當每天的日誌量成長到一定的程度，現有的日誌管理工具都會遇到瓶頸，所以一些國外的日誌管理工具(如Splunk、ArcSight)都已經發布了其Hadoop Connector，強調其與Hadoop的聯絡性與相容性。所以，如果客戶對日誌管理的需求只是儲存日誌、並可以隨時對日誌搜尋的話，那Hadoop本身即可以滿足這樣的應用，而對於比較複雜的日誌管理且日誌量非常大的需求，客戶也可以從現有的日誌管理工具中來挑選，並與Hadoop來搭配協同運作。