你需要了解关于Hadoop与大数据的12个事实

人们在谈论Hadoop的时候，常常把它当做单一产品来看待，但事实上它由多个不同的产品共同组成。

Russom说：“Hadoop是一系列开源产品的组合，这些产品都是Apache软件基金会的项目。”

一提到Hadoop，人们往往将其与MapReduce放在一起，但其实HDFS和MapReduce一样，也是Hadoop的基础。

由于Hadoop属于开源技术，可免费下载，所以IBM、Cloudera和EMC Greenplum等厂商都可以推出他们各自的Hadoop特别发行版本。

这些特别发行版本一般都会有一些附加特性，比如高级管理工具及相关的支持维护服务。有人可能对此嗤之以鼻：既然开源社区是免费的，那么我们为什么还要为它的服务付费?Russom解释道，这些版本的HDFS对一些IT部门更合适，特别是企业IT系统已经相对成熟的用户。

Hadoop是由开源社区和各个厂商共同开发和推动的。具体说来，厂商的Hadoop的产品其结构化和关系性更强一些。

Russom说：“一直以来报表平台、数据集成平台在为更新的平台提供各种各样的接口，Hadoop当然也不例外。”

Russom最无法忍受的，就是人们常常把二者混为一谈。能够对数据集进行管理是数据管理系统很重要的特性之一，这一点HDFS是不具备的。

数据库管理系统中，我们通过查询索引可以实现对数据的随机访问，它往往处理的是结构化的数据，而在Hadoop中不会处理这样的数据类型。

传统获取数据的业务工具大多都是基于SQL的，这比较让人头疼，因为Hadoop使用的是一种类似SQL但不是SQL的语言——Apache Hive和HiveQL。

Russom说：“我常听到别人说，‘Hive学起来非常简单，直接学Hive就行。’但这并不能解决与SQL工具兼容的根本问题。”

Russom认为兼容性只是一个短时间问题，但却阻碍了Hadoop的普及。

MapReduce早在HDFS出现以前就由Google开发推出。除此之外，诸如MapR一类的厂商一直在宣传MapReduce功能的多样性，无需HDFS支持。

尽管如此，Russom却认为它们具有很好的互补性。HDFS的大部分价值都体现在可层叠到分布式文件系统的工具上。

MapReduce是一种通用执行驱动引擎，可协助大数据分析。它能读取手写代码数据，对其进行并行自动处理，并将结果映射到单一集合中。然而我们需要明确一点，MapReduce自身并不进行分析工作。

Russom说：“MapReduce可以看作是升级版的MPP架构。你无论怎样编写代码，它都可以把它们并行化，非常强大。”

有人把Hadoop归类为海量数据处理技术，但是Hadoop真正的价值却是对多样化数据处理的能力。

Russom说：“Hadoop的处理范围为大多数数据仓库所不及，比如针对半结构化与完全非结构化的数据。”

Hadoop对多样化数据类型进行管理的能力使得“数据仓库将死”的言论四起，然而Russom却进行了反驳。

他反问道：“在IT领域，人们多久替换一项技术?几乎从来没有过。”

数据仓库在其领域中的性能仍然出色，Hadoop可起到对数据仓库技术进行补充的作用。数据仓库和其他系统的架构越来越多地开始向分布式靠拢，Hadoop在这里将发挥其作用。

Hadoop在互联网中的运用非常普遍，Russom认为Hadoop普及趋势的部分原因是因为它可以处理更多类型的分析。

Russom举了铁路公司、机器人和零售业的例子。铁路公司可使用传感器对异常高温的轨道车辆进行探测，以阻止事故的发生。

Russom尽管十分看好Hadoop的前景，但同时认为它的普及还需要数年时间。

别看现在大数据和Hadoop已经密不可分，Russom却认为Hadoop并不是大数据的“唯一”。他提到了许多其他厂商的产品，如Teradata、Sybase IQ(被SAP收购)和Vertica(被HP收购)等。

除此之外，在Hadoop没有诞生之时，一些企业就已经开始研究大数据了。例如，电信行业多年以前就有呼叫明细记录。

虽然Hadoop属于开源技术，但是软件的安装部署是需要花钱的。Russom称，由于Hadoop在管理工具与支持服务方面的不足，企业在使用过程中很容易产生额外费用。另外，由于它没有优化程序，我们只能请专业人士在运行环境中手写输入代码，而这些专业人士的薪酬价码都不菲。

更不用提部署Hadoop集群的硬件和相关配置的成本。

他说：“千万别以为Hadoop是免费的或者很便宜，它背后的隐性开销你是一下子看不到的。”