转载

专访卢亿雷：谈Hadoop生态的最新发展

Hadoop于2006年1月28日诞生，至今已有10年，它改变了企业对数据的存储、处理和分析的过程，加速了大数据的发展，形成了自己的极其火爆的技术生态圈，并受到非常广泛的应用。在2016年Hadoop十岁生日之际，InfoQ策划了一个Hadoop热点系列文章，为大家梳理Hadoop这十年的变化，技术圈的生态状况，回顾以前，激励当下。本文是InfoQ处于一线开发的社区编辑对卢亿雷老师进行的采访，对大家关心的问题进行了专业的解答。

InfoQ：Hadoop会考虑内存或磁盘动态管理技术吗?

卢亿雷：随着实时计算的发展，Hadoop会考虑内存管理技术的。动态管理的目的一个是资源自动发现, 一个是系统的效率.从资源自动发现来看,比如新的 Hadoop 版本已经支持根据机器内存大小的不同,自动计算可以使用的内存量; 从系统效率角度来讲, 比如新的 Hadoop 已经支持对内存/ssd/硬盘的分级存储管理, 可以更高效地使用存储.

InfoQ：基于Hadoop实现的设计本身，它能做到的最好性能是什么?以及哪些瓶颈是设计本身造成的，不可改变的?

卢亿雷：基于Hadoop架构设计本身，它能做到最好的性能是大批量数据离线统计，对于多次迭代计算等是它现在设计本身的瓶颈。但是随着 YARN 的发展, Hadoop 的计算层变得越来越像一个纯粹的计算资源管理系统, Spark/Storm/Flink 等多种计算模型都可以在 YARN 上来执行, 极大丰富了 Hadoop支持的计算, 可以说, Hadoop已经变得更像一个大数据的框架,相信它的性能也会越来越好.

InfoQ：Hadoop能否在底层就实现基于广义shema的存储结构，而不是现在的block，这样会不会性能更好?

相关赞助商

卢亿雷：Hadoop原来设计主要是基于文本存储，后续也进行了改进，可以设计特定的Schema存储结构来提高性能，如Hive中使用的RCFile，就是按需取字段，这样大大减少磁盘和网络IO，可以提高性能。另一方面, Hadoop底层存储是高度抽象的, 具体的存储结构甚至可以由用户来自定义,比如现在就有用 AWS做底层存储的模块,还有用阿里云做底层存储的模块, 用户可以根据自己的需求来优化相应的存储结构.

InfoQ：Hadoop越来越跟随着spark的方向在开发，那是不是spark新功能的出现会比较大的影响到Hadoop的发展?

卢亿雷：之前谈到, Hadoop的YARN已经可以支持多种计算模型, Spark就可以在YARN上来执行. 从这个层面来讲, Spark新功能的出现, 会让 Hadoop使用者更多地受益, YARN的优化也会更好地支持Spark的新功能.另一方面,在大数据量的存储方面, Hadoop 的HDFS基本上就是大数据事实上的存储标准, Spark的大数据输入/输出也是基于HDFS的。

InfoQ：Hadoop代码越来越大, 学起来成本更大，怎样才能更优雅的掌握?

卢亿雷：广义的 Hadoop 指 Hadoop家族, 包括 HDFS/MapReduce/YARN/HBase/Zookeeper 等等组件, 狭义的 Hadoop 单单指 HDFS/MapReduce/YARN, 建议先从这些组件学起.

首先需要学习和理解分布式存储和分布式计算的原理，可以参考 Google 的相关论文, 然后自己手动搭建一个Hadoop平台，测试各种组件，学习写MapReduce程序，之后可以学习使用HBase的搭建和基本使用.对这些都有一个基本概念之后, 可以先编程使用这些组件,看可以解决自己的什么实际问题.最后,学习最好的资源就是 Hadoop的社区和源码, 是大数据学习的不二选择.如果有条件的话,在一个大数据公司工作,实际使用它们,会学习更快的。

InfoQ：Hadoop解决异构存储介质上的功能现在有生产环境可以用吗?或者对应性能测试怎么样?

卢亿雷：Hadoop解决异构存储介质上的功能主要支持普通硬盘、SSD、内存这三个存储介质，且在Hadoop2.6以后重点实现了，管理员可以在一个限定的Datanode跨磁盘存储层，以及应用程序可利用的API将数据存储到这些不同的存储层。这意味着管理员可以优化他们的应用程序通过使用Hadoop运行：在SSD存储层以提高读/写延迟;内存存储层进行快速读/写;普通硬盘可以进行归档存储层，以提高存储效率。所以可以在生产环境上使用的，前提是需要有同学对这块了解才可以。具体的测试性能需要看对应的应用场景，如果搭配的好，性能提升是比较显现，但是也需要注意的是如果内部数据交换比较多或者带宽有限制，从而导致文件IO不是瓶颈，带宽才是瓶颈，则性能基本不会有提升。总的来说如果业务没有特别的要求，其实也不用Hadoop的异构存储的功能。

InfoQ：Hadoop有从底层来设计支持DAG优化(比如现在有的Tez，Flink)mapreduce吗?

卢亿雷：目前没有，如果要从底层支持DAG优化，那就是重写Hadoop架构了。其实现在的YARN已经把计算的管理独立了出来, 完全可以在 YARN上玩出计算的各种花样。现有的Tez、Flink等都是基于Hadoop之上来实现DAG优化的。大家都知道Apache Tez是基于Hadoop Yarn之上的DAG(有向无环图，Directed Acyclic Graph)计算框架。它把Map/Reduce过程拆分成若干个子过程，同时可以把多个Map/Reduce任务组合成一个较大的DAG任务，减少了 Map/Reduce之间的文件存储。同时合理组合其子过程，减少任务的运行时间，由Hortonworks开发并提供主要支持;而Flink 是一个开源的针对批量数据和流数据的处理引擎，且支持DAG的运算。像Tez、Flink等都可以直接运行在YARN上，所以对于Hadoop来也不是必须一定要在底层上支持DAG的优化，这样分层后也有利于各自的发展。

InfoQ：集群在上百台机器的规模，增加(移出)十来台机器时怎么迁移其上的数据?

卢亿雷：通过rebalance来实现，前提是带宽需要做控制。一般大规模的集群都会有一个 rebalance 在持续运行的。如Hadoop的rebalance 是一个非自动的管理功能，换句话说，它是由人工启动的。在任意一台能够连接到HDFS的机器上命令行下输入 hadoop balancer [-threshold] 即会启动。如果集群处于不平衡状态，这个过程就会在不平衡的节点之间迁移数据，如果rebalance过程没有被打断的话，完成此次rebalance目标后过程会自动停止。

受访嘉宾：卢亿雷，精硕科技(AdMaster)技术副总裁兼总架构师，大数据资深专家，CCF(中国计算学会)大数据专委委员，北航特聘教授。主要负责数据的采集、清洗、存储、挖掘等整个数据流过程，确保提供高可靠、高可用、高扩展、高性能系统服务，提供Hadoop/HBase/Storm/Spark/ElasticSearch等离线、流式及实时分布式计算服务。对分布式存储和分布式计算、超大集群、大数据分析等有深刻理解及实践经验。有超过10年云计算、云存储、大数据经验。曾在联想、百度、Carbonite工作，并拥有多篇大数据相关的专利和论文。