文/王玉（河源職業(yè)技術(shù)學(xué)院）

作為專門負(fù)責(zé)大數(shù)據(jù)處理的Hadoop平臺(tái)與Spark 平臺(tái)，為加快大數(shù)據(jù)計(jì)算與處理效率，確保大數(shù)據(jù)資源實(shí)現(xiàn)充分利用發(fā)揮了重要作用。而明確Hadoop 技術(shù)與Spark技術(shù)當(dāng)中的核心技術(shù)，了解其生態(tài)系統(tǒng)等也是實(shí)現(xiàn)兩種技術(shù)深入應(yīng)用的根本前提。

因此本研究不僅可為人們深化對大數(shù)據(jù)時(shí)代下Hadoop技術(shù)與Spark 技術(shù)提供相應(yīng)的理論參考，同時(shí)也能為兩種技術(shù)的實(shí)踐應(yīng)用給予一定指導(dǎo)幫助。

一、大數(shù)據(jù)時(shí)代下的Hadoop技術(shù)分析

（一）核心技術(shù)

1.計(jì)算模型

在基于大數(shù)據(jù)的Hadoop 技術(shù)中，其核心技術(shù)之一便是MapReduce 計(jì) 算 模 型。其 作 為Hadoop大數(shù)據(jù)處理平臺(tái)中的關(guān)鍵核心，本質(zhì)上屬于一個(gè)并行計(jì)算框架，使得Hadoop 平臺(tái)能夠有效完成大數(shù)據(jù)計(jì)算工作。

在該計(jì)算模型中，其需要先封裝諸多底層問題，包括分割數(shù)據(jù)與數(shù)據(jù)并行處理等，令用戶能夠根據(jù)自身實(shí)際需要，確定實(shí)現(xiàn)相應(yīng)并行計(jì)算任務(wù)的邏輯，進(jìn)而有效實(shí)現(xiàn)分布式程序設(shè)計(jì)優(yōu)化。在計(jì)算時(shí)，數(shù)據(jù)的存在形式固定為＜key，value＞鍵值對，并在使用map 函數(shù)的基礎(chǔ)上配合使用reduce函數(shù)。其中前者通過采用key-value格式，在物理存儲(chǔ)設(shè)備上進(jìn)行源文件的讀取，而后運(yùn)用相同格式輸出。后者也選擇使用該格式在map 函數(shù)中進(jìn)行數(shù)據(jù)讀取，經(jīng)過計(jì)算模型處理后的數(shù)據(jù)將保持key-value 格式，被直接寫入物理存儲(chǔ)設(shè)備中。

2.存儲(chǔ)系統(tǒng)

在Hadoop平臺(tái)中的另一大核心技術(shù)即HDFS 分布式存儲(chǔ)系統(tǒng)，其作為Hadoop平臺(tái)中的存儲(chǔ)核心，可直接在各種廉價(jià)服務(wù)器上進(jìn)行部署與運(yùn)行，從而有效完成各類文件尤其是超大文件的處理工作。在采用一次寫入多次讀取的設(shè)計(jì)理念下，平臺(tái)中的分布式存儲(chǔ)系統(tǒng)將會(huì)分塊保存上傳至HDFS 內(nèi)的數(shù)據(jù)。在初代Jadoop 平臺(tái)中，HDFS系統(tǒng)的主要組成部分除客戶端節(jié)點(diǎn)外，同時(shí)還包括NameNode、DataNode與SecondaryNameNode 節(jié)點(diǎn)。其中，NameNode節(jié)點(diǎn)作為該分布式存儲(chǔ)系統(tǒng)當(dāng)中的重要管理節(jié)點(diǎn)，用以對DataNode節(jié)點(diǎn)存儲(chǔ)數(shù)據(jù)的元數(shù)據(jù)信息進(jìn)行妥善存儲(chǔ)，并對用戶請求進(jìn)行及時(shí)接收，而后將其接收得到的請求直接發(fā)送至DataNode節(jié)點(diǎn)中完成相應(yīng)操作。而在該分布式存儲(chǔ)系統(tǒng)當(dāng)中的SecondaryNameNode節(jié)點(diǎn)，能夠?yàn)橄到y(tǒng)中的管理節(jié)點(diǎn)存儲(chǔ)用戶修改內(nèi)容提供相應(yīng)輔助作用，使得修改內(nèi)容能夠在磁盤中得到安全存儲(chǔ)。

（二）技術(shù)升級

隨著大數(shù)據(jù)技術(shù)的持續(xù)發(fā)展，用于大數(shù)據(jù)處理的Hadoop 平臺(tái)也從初代1.0 版本更新升級至2.0版本。初代版本中的Hadoop 平臺(tái)采用分布式設(shè)計(jì)理念，其主要構(gòu)成部分包括HDFS即分布式存儲(chǔ)系統(tǒng)以及MapReduce計(jì)算模型。在HDFS 中，有且僅有一個(gè)管理節(jié)點(diǎn)即NameNode節(jié)點(diǎn)，但有若干物理存儲(chǔ)節(jié)點(diǎn)DataNode。升級至2.0 版本的Hadoop 平臺(tái)，其組成部分除了原有的分布式存儲(chǔ)系統(tǒng)與計(jì)算模型外，還新增YARN即資源管理器。YARN的出現(xiàn)使得以往存在于Hadoop 平 臺(tái) 中 的jobTracker 單點(diǎn)瓶頸以及編程框架缺乏較高靈活性等問題，在一定程度上得到有效改善。其通過令集群資源管理、作業(yè)管理各自保持較高獨(dú)立性，并分別交由resourceManager 與applicationMaster 負(fù)責(zé)進(jìn)行管理，這也使得jobTracker 負(fù)載可以得到相應(yīng)控制。集群當(dāng)中各節(jié)點(diǎn)的資源調(diào)度則統(tǒng)一交由container 負(fù)責(zé)，在聯(lián)合平臺(tái)內(nèi)的各nodeManager 計(jì)算節(jié)點(diǎn)下，使得最新版本的Hadoop 平臺(tái)的數(shù)據(jù)計(jì)算框架更加完善。

（三）生態(tài)系統(tǒng)

Hadoop 在持續(xù)完善的過程中，出現(xiàn)了諸多新技術(shù)，其圍繞Hadoop 核心技術(shù)共同構(gòu)成這一大數(shù)據(jù)處理平臺(tái)的生態(tài)系統(tǒng)。具體來說，各個(gè)客戶端根據(jù)自身實(shí)際需要，將其資源請求發(fā)送至Hadoop中的resourceManager 中，計(jì)算節(jié)點(diǎn)nodeManager 的節(jié)點(diǎn)狀態(tài)與其中Application Master 的資源請求也一并發(fā)送至resourceManager。同樣，各計(jì)算階段中的container 與Application Master 之間也相互保持MapReduce狀態(tài)連接。在Hadoop平臺(tái)的生態(tài)系統(tǒng)中，包含眾多子項(xiàng)目，其對應(yīng)的項(xiàng)目功能也不盡相同。例如其中的Hive與Hbase生態(tài)系統(tǒng)子項(xiàng)目，其對應(yīng)的項(xiàng)目功能分別為Hadoop 基礎(chǔ)上的文件系統(tǒng)數(shù)據(jù)倉庫與面向列存儲(chǔ)的數(shù)據(jù)庫。Pig 作為Hadoop 生態(tài)系統(tǒng)當(dāng)中的一個(gè)子項(xiàng)目，主要用于完成大規(guī)模的數(shù)據(jù)分析與處理工作。

二、大數(shù)據(jù)時(shí)代下的Spark技術(shù)分析

（一）核心技術(shù)

1.DAG

在大數(shù)據(jù)時(shí)代下，Spark 技術(shù)中的核心技術(shù)之一是DAG。數(shù)據(jù)執(zhí)行流程的存在形式始終為有向無環(huán)圖，其核心組成部分為RDD。在Spark技術(shù)中，用戶根據(jù)自身實(shí)際需要完成應(yīng)用邏輯提交操作后，Spark計(jì)算平臺(tái)將以此為依據(jù)進(jìn)行DAG 的繪制。而后結(jié)合各RDD相互間的依賴性與內(nèi)在關(guān)聯(lián)，對DAG進(jìn)行stage劃分，即將其劃分成若干階段。但在完成DAG 全部繪制工作后并不立即進(jìn)入到執(zhí)行環(huán)節(jié)，由此可見在Spark 計(jì)算平臺(tái)中，DAG 的主要作用在于對數(shù)據(jù)集進(jìn)行明確標(biāo)記。

根據(jù)商保公司經(jīng)辦城鄉(xiāng)居民基本醫(yī)保模式主要要素，總結(jié)分析商保機(jī)構(gòu)經(jīng)辦城鄉(xiāng)居民基本醫(yī)保的試點(diǎn)情況。依據(jù)理論研究和實(shí)踐結(jié)果，目前安徽省商保公司經(jīng)辦城鄉(xiāng)居民基本醫(yī)保試點(diǎn)初步形成的模式主要是委托經(jīng)辦模式，即：政府將業(yè)務(wù)委托商保公司，按照協(xié)議由后者獲取適當(dāng)?shù)慕?jīng)辦費(fèi)用，提供經(jīng)辦服務(wù)。在委托經(jīng)辦模式中，按照經(jīng)辦費(fèi)用來源已初步形成委托經(jīng)辦支付費(fèi)用模式、委托經(jīng)辦不支付費(fèi)用模式兩種。每一大類中，按照經(jīng)辦服務(wù)內(nèi)容、經(jīng)辦費(fèi)用獲取方式、基金風(fēng)險(xiǎn)承擔(dān)實(shí)際運(yùn)行情況又可分不同的模式。見表2

2.RDD

在Spark 計(jì)算平臺(tái)當(dāng)中，RDD通過對平臺(tái)中的分布式內(nèi)存數(shù)據(jù)進(jìn)行抽象，轉(zhuǎn)換數(shù)據(jù)各項(xiàng)操作，使之成為RDD操作，因此Spark 技術(shù)中的數(shù)據(jù)操作以RDD作為其最為基礎(chǔ)性的一個(gè)單位。Transformation轉(zhuǎn)換以及action執(zhí)行共同組成RDD操作，其中前者中含有諸如map 與flatmap 以及nuion等在內(nèi)的諸多基本操作，而以count 與collect 等為代表的操作則歸屬于執(zhí)行操作范疇。針對轉(zhuǎn)換與執(zhí)行操作，Spark技術(shù)采用的機(jī)制也存在一定差異性。在Spark計(jì)算平臺(tái)中任何一項(xiàng)轉(zhuǎn)換操作均屬于惰性操作，也就是說在轉(zhuǎn)換操作下，任意一個(gè)RDD雖然可以有效生成一個(gè)全新RDD，但在RDD新生成之后其并不會(huì)立即在Spark 計(jì)算平臺(tái)上進(jìn)行執(zhí)行。只有當(dāng)觸發(fā)執(zhí)行操作即action 時(shí)才會(huì)正式執(zhí)行轉(zhuǎn)換操作。

3.結(jié)構(gòu)部署

Spark 計(jì)算平臺(tái)內(nèi)的部署模式多種多樣，常見的部署模式主要包括以Mesos或Yarn 為基礎(chǔ)的部署模式。

在現(xiàn)階段的Spark當(dāng)中，最常使用的部署模式為建立在Yarn基礎(chǔ)上的部署模式，該部署模式通過對Hadoop中的Yarn 即資源管理器進(jìn)行充分利用，用以達(dá)到集群化管理Hadoop平臺(tái)內(nèi)各項(xiàng)資源的目的。值得注意的是，雖然Spark 平臺(tái)中的部署模式具有明顯的多樣化特征，但其基本組成部分基本一致。主 要 包 括mater 與driver、worker與clusterManager 等等，即控制節(jié)點(diǎn)與作業(yè)控制進(jìn)程、執(zhí)行節(jié)點(diǎn)與資源管理器等。而作業(yè)控制進(jìn)程在主控節(jié)點(diǎn)maters上，執(zhí)行節(jié)點(diǎn)和執(zhí)行單元一一對應(yīng)，即一個(gè)執(zhí)行節(jié)點(diǎn)在Spark 計(jì)算平臺(tái)中通常只對與之相對應(yīng)的執(zhí)行單元進(jìn)程進(jìn)行有效維護(hù)。

（二）技術(shù)升級

為順應(yīng)大數(shù)據(jù)時(shí)代發(fā)展潮流，同時(shí)盡可能滿足多樣化的大數(shù)據(jù)計(jì)算需求，Spark技術(shù)也在不斷進(jìn)行更新升級。最新的Spark技術(shù)中使用的計(jì)算模型以內(nèi)存為基礎(chǔ)，即內(nèi)存當(dāng)中統(tǒng)一緩存作業(yè)執(zhí)行過程中產(chǎn)生的各種中間數(shù)據(jù)，并且Spark平臺(tái)抽象處理各作業(yè)使其成為各個(gè)DAG 圖，進(jìn)而有效優(yōu)化整體作業(yè)計(jì)算流程。相比于初代Spark計(jì)算平臺(tái)，升級后的Spark平臺(tái)在無需計(jì)算shuffle的情況下便可以合并多項(xiàng)操作。與此同時(shí)，shuffle操作中DAG 內(nèi)劃分出若干不同階段，對提高資源利用率，縮減資源等待時(shí)間等均發(fā)揮了重要作用。

（三）生態(tài)系統(tǒng)

Spark 的生態(tài)系統(tǒng)指的就是專門對應(yīng)該計(jì)算平臺(tái)的數(shù)據(jù)分析軟件棧，其組成部分包括Spark計(jì)算平臺(tái)專用的數(shù)據(jù)庫、機(jī)器學(xué)習(xí)算法庫等等。例如在該計(jì)算平臺(tái)生態(tài)系統(tǒng)的SQL 數(shù)據(jù)庫子項(xiàng)目中，對應(yīng)的項(xiàng)目功能為集成各種復(fù)雜數(shù)據(jù)分析算法，簡化SQL 查詢，用戶訪問的數(shù)據(jù)源也可以得到有機(jī)統(tǒng)一。而在Spark streaming 這一生態(tài)系統(tǒng)子項(xiàng)目中，其作為一種專門應(yīng)用在Spark 計(jì)算平臺(tái)中的流式數(shù)據(jù)計(jì)算工具，其內(nèi)部特殊的API 可以高效、精準(zhǔn)地開發(fā)相關(guān)數(shù)據(jù)處理程序，加快數(shù)據(jù)分析計(jì)算與處理速度。MLib和GraphX 分別作為Spark 平臺(tái)上使用的分布式機(jī)器學(xué)習(xí)算法庫以及并行圖計(jì)算框架，同樣用于集中解決Spark 平臺(tái)上的各種數(shù)據(jù)計(jì)算與處理工作。

三、大數(shù)據(jù)時(shí)代下Hadoop與Spark 技術(shù)的應(yīng)用

（一）Hadoop技術(shù)應(yīng)用

在大數(shù)據(jù)時(shí)代下，Hadoop 被廣泛應(yīng)用在各種場景中，包括日志處理、數(shù)據(jù)采集、挖掘與分析處理等。例如在離線日志處理中，Hadoop平 臺(tái) 中 的MapReduce可 有效分析各項(xiàng)用戶交易數(shù)據(jù)，并以此為基礎(chǔ)進(jìn)行用戶類型劃分，使之均有各自對應(yīng)的客戶群。對于電商企業(yè)而言，運(yùn)用Hadoop 平臺(tái)可使其能夠在充分了解各類客戶群體及其實(shí)際需要下，有針對性地開展?fàn)I銷活動(dòng)，進(jìn)而擴(kuò)大企業(yè)自身經(jīng)濟(jì)效益規(guī)模。譬如阿里巴巴集團(tuán)通過利用Hadoop 大數(shù)據(jù)處理平臺(tái)，在積極引入云計(jì)算等各項(xiàng)先進(jìn)信息技術(shù)下，建立起云梯系統(tǒng)，在對涉及用戶交易的各類信息數(shù)據(jù)進(jìn)行集中整合與統(tǒng)計(jì)分析下，確定不同的用戶類型，并為電商企業(yè)推送與之相符合的客戶群，以便其能夠針對具體客戶開展相應(yīng)的營銷活動(dòng)，實(shí)現(xiàn)企業(yè)精準(zhǔn)營銷。再比如有部分企業(yè)通過依托Nutch 采集音樂頁面，借助Hadoop平臺(tái)中的MapReduce框架計(jì)算網(wǎng)頁評分，以此為依據(jù)有針對性地為用戶推送其感興趣的音樂。

2.應(yīng)用評價(jià)

根據(jù)Hadoop技術(shù)的應(yīng)用情況可知，在運(yùn)用MapReduce 作為大數(shù)據(jù)編程框架下，各種新計(jì)算節(jié)點(diǎn)加入至Hadoop 集群后，該節(jié)點(diǎn)具備的各種計(jì)算能力也會(huì)隨之加入其中，因此使得該計(jì)算框架在面向大數(shù)據(jù)的同時(shí)可以保持良好的伸縮性。

其編程模型相對簡易，用戶在編程中僅僅只需要對應(yīng)用問題中的應(yīng)用邏輯進(jìn)行考慮即可，無需關(guān)注其它底層細(xì)節(jié)問題如負(fù)載均衡等。加之該大數(shù)據(jù)編程框架能夠同時(shí)處理海量數(shù)據(jù)，對于提高數(shù)據(jù)處理效率也具有一定積極效用。

但其同樣也存在一定技術(shù)不足，例如面向磁盤存儲(chǔ)的MapReduce，其在運(yùn)行應(yīng)用程序時(shí)需要向磁盤輸入各種中間數(shù)據(jù)，只有在有需要的情況下，才從磁盤內(nèi)調(diào)出數(shù)據(jù)將其輸出至內(nèi)存中，但由于磁盤速度并不與內(nèi)存速度保持一致，因此在數(shù)據(jù)計(jì)算時(shí)經(jīng)常容易出現(xiàn)高延遲的情況。此外，雖然利用map 函數(shù)與reduce函數(shù)能夠有效簡化編程接口，實(shí)現(xiàn)MapReduce的編程作用。但也由于算子數(shù)量有限，因此隨著應(yīng)用問題類型的逐漸多樣，在實(shí)現(xiàn)各種應(yīng)用邏輯時(shí)，MapReduce中有限的算子也會(huì)出現(xiàn)不適用的情況。

（二）Spark 技術(shù)應(yīng)用

1.應(yīng)用場景

Spark技術(shù)目前也在處理流數(shù)據(jù)、解決多倫迭代問題等領(lǐng)域中得到了充分運(yùn)用，并且獲得了一定的應(yīng)用成效。例如眼下已有研究人員在分析移動(dòng)Web 流量中運(yùn)用Spark流處理技術(shù)，以流數(shù)據(jù)為基礎(chǔ)建立起相應(yīng)的Web 分析模型，在對用戶流量及其使用行為等各方面的信息數(shù)據(jù)進(jìn)行匯總整理后，運(yùn)用Spark技術(shù)對其進(jìn)行快速分析處理，從而使得網(wǎng)絡(luò)運(yùn)營商可以更加真實(shí)、全面地掌握用戶行為，以便可以更有針對性地為用戶提供相關(guān)服務(wù)。在開發(fā)推薦系統(tǒng)時(shí)，同樣也可以運(yùn)用Spark技 術(shù)，相 較 于Hadoop 平 臺(tái)中的MapReduce，使用Spark技術(shù)能夠有效訓(xùn)練推薦系統(tǒng)模型成為分鐘級推薦系統(tǒng)模型，避免出現(xiàn)高延遲情況，進(jìn)而達(dá)到實(shí)時(shí)、精準(zhǔn)推薦的效果。譬如京東與阿里巴巴等企業(yè)，立足公司現(xiàn)下的主營業(yè)務(wù)運(yùn)用Spark計(jì)算平臺(tái)自主研發(fā)實(shí)時(shí)推薦系統(tǒng)，即便用戶行為偏好隨時(shí)發(fā)生變化，該系統(tǒng)也能夠幫助企業(yè)實(shí)時(shí)分析計(jì)算用戶行為偏好。

2.應(yīng)用評價(jià)

Spark技術(shù)中可在內(nèi)存中統(tǒng)一完成所有數(shù)據(jù)計(jì)算工作，且內(nèi)存負(fù)責(zé)集中存儲(chǔ)各種中間數(shù)據(jù)，因此相較于MapReduce，Spark 的計(jì)算速度更快。另外，針對MapReduce 中算子數(shù)量與類型有限的不足，Spark技術(shù)中有轉(zhuǎn)換型算子與執(zhí)行型算子，可高效完成復(fù)雜度較高的數(shù)據(jù)查詢與分析任務(wù)。除此之外，利用RDD這一核心技術(shù)，以分布式抽象的形式劃分調(diào)入至內(nèi)存的各類數(shù)據(jù)，使得Spark 可以快速、準(zhǔn)確地完成海量數(shù)據(jù)的計(jì)算工作。

但其同樣也存在一定技術(shù)不足，例如其容量內(nèi)存相對較小，并且在兩個(gè)以上的Spark 應(yīng)用數(shù)據(jù)相同的情況下，同一份數(shù)據(jù)需要緩存兩次，從而使得Spark 計(jì)算平臺(tái)面臨較大內(nèi)存壓力，并且也會(huì)影響垃圾回收速度，導(dǎo)致該技術(shù)在實(shí)際使用過程中出現(xiàn)不穩(wěn)定的情況。

四、結(jié)束語

綜上所述，在大數(shù)據(jù)時(shí)代下Hadoop 技術(shù)與Spark技術(shù)均為大數(shù)據(jù)的分析計(jì)算與快速處理，提供了重要的技術(shù)支持。兩者具有一定的技術(shù)優(yōu)勢與不足之處，因此我國未來在繼續(xù)加大對Hadoop 技術(shù)與Spark 技術(shù)的開發(fā)力度下，還需要主動(dòng)立足實(shí)際，合理選用相應(yīng)的大數(shù)據(jù)處理技術(shù)，從而使得大數(shù)據(jù)資源能夠真正得到深入、充分利用。