大數(shù)據(jù)的問題

       或許所有讀者都明白這一點(diǎn)：數(shù)據(jù)正在飛速增長(zhǎng)，若是能夠有效利用的話，我們能從這些數(shù)據(jù)中找到非常有價(jià)值的見解；傳統(tǒng)技術(shù)有很多都是在40年前設(shè)計(jì)的，比如RDBMSs，不足以創(chuàng)造“大數(shù)據(jù)”炒作所宣稱的商業(yè)價(jià)值。在大數(shù)據(jù)技術(shù)的使用上，常見的案例是“客戶單一視圖”；將關(guān)于客戶所知道的一切內(nèi)容放在一起，以便最大化服務(wù)提供與自身收入，比如確定具體需要采用什么促銷方式，又是在什么時(shí)候、通過什么渠道來發(fā)送。

       盡管大數(shù)據(jù)的問題在于，讓我們將這種潛力變?yōu)楝F(xiàn)實(shí)，高等級(jí)的關(guān)鍵功能至少包括下面這些能力：

       合并信息孤井、外在因素與數(shù)據(jù)流；

       ·控制數(shù)據(jù)訪問；

       ·根據(jù)需要轉(zhuǎn)化數(shù)據(jù)；

       ·整合數(shù)據(jù)；

       ·為數(shù)據(jù)分析提供工具；

       ·發(fā)布數(shù)據(jù)報(bào)告；

       ·將見解體現(xiàn)在運(yùn)營過程中；

       ·最小化工作完成的總擁有成本與響應(yīng)時(shí)間。

       用數(shù)據(jù)湖作為答案

       很多公司正在觀望一個(gè)被某些人稱為數(shù)據(jù)湖的架構(gòu)，這個(gè)數(shù)據(jù)平臺(tái)在合并信息孤井?dāng)?shù)據(jù)流以及在單獨(dú)的邏輯位置中執(zhí)行數(shù)據(jù)持久化方面具有靈活性，能夠從企業(yè)自身以及第三方的數(shù)據(jù)中挖掘出見解。將Hadoop（包括Spark在內(nèi)）用于數(shù)據(jù)湖已成大勢(shì)所趨，原因很多：使用總擁有成本較低的普通硬件就能進(jìn)行擴(kuò)展，允許用讀時(shí)模式（schema-on-read）收取大量數(shù)據(jù)，支持開源，包括用SQL和普通語言構(gòu)建分布式處理層。此外，像雅虎和谷歌這樣的webscale公司都是早期標(biāo)桿，借用這種架構(gòu)在解決網(wǎng)站索引相關(guān)的問題時(shí)獲得了巨大的成功。

       Hadoop中的數(shù)據(jù)持久化選項(xiàng)

       這樣一來，從這里開始評(píng)估數(shù)據(jù)湖解決方案的前景似乎很合理。一旦開始從更深的層次理解Hadoop的內(nèi)涵，你就會(huì)發(fā)現(xiàn)里面所包含的項(xiàng)目真的是包羅萬象，涵蓋了數(shù)據(jù)處理的方方面面。用Hadoop在數(shù)據(jù)湖中探測(cè)存儲(chǔ)的數(shù)據(jù)時(shí)，有兩個(gè)主要選項(xiàng)：HDFS和HBase。使用HDFS時(shí)，可以自行決定如何在只添加文件中對(duì)數(shù)據(jù)進(jìn)行編碼，包括JSON、CSV、Avro等等，因?yàn)镠DFS只是一個(gè)文件系統(tǒng)，編碼方式全由你決定。相反，HBase是一個(gè)數(shù)據(jù)庫，其特有的數(shù)據(jù)編碼方式可以將記錄寫入的速度最優(yōu)化，在通過主鍵查詢時(shí)執(zhí)行只讀的速度相對(duì)也很快。

       這也是用Hadoop的數(shù)據(jù)湖之魅力所在，它能實(shí)現(xiàn)真實(shí)情況下的需求。因此，我們就能使用Hadoop來執(zhí)行上面列出的高層次需求了。在像Spark和Hive這樣的Hadoop生態(tài)系統(tǒng)中，仍需用到分布式處理層，但不需HDFS或HBase了，因此你可以從分布式處理層中選擇持久化層面。之前的博文中有相關(guān)案例，描述了使用Spark在MongoDB中讀寫數(shù)據(jù)。還有一篇博文也很類似，證明了MongoDB只是讀取數(shù)據(jù)的另一個(gè)Hive表格。

       索引仍舊很重要

       大多熟悉RDBMSs的技術(shù)人員發(fā)現(xiàn)，從表達(dá)查詢能力到二級(jí)索引，再到加速查詢?nèi)�都價(jià)值巨大（即便模式固定、總擁有成本高以及RDBMSs的可擴(kuò)展性有限，這些使得它很難被用作數(shù)據(jù)湖）。如果我們?cè)跀?shù)據(jù)庫持久化中只用到HDFS和HBase，就無法實(shí)現(xiàn)我們期待的數(shù)據(jù)庫臨時(shí)索引了，特別是遇到下面幾個(gè)限制時(shí)：

       臨時(shí)切片：不通過二級(jí)索引，我們?nèi)绾螌?duì)不止一個(gè)主鍵標(biāo)識(shí)出的數(shù)據(jù)切片進(jìn)行有效地分析呢，例如對(duì)我們的最佳客戶——那些消費(fèi)金額超過X的客戶進(jìn)行分析？由于數(shù)據(jù)太過巨大，想要通過掃描找出最佳客戶都會(huì)令工作卡住。

       低延遲報(bào)告：如果沒有靈活的索引方式，我們?nèi)绾卧诖蚊爰?jí)時(shí)間內(nèi)響應(yīng)客戶的需求，為他們提供有價(jià)值的數(shù)據(jù)報(bào)告呢？再次，我們只能使用消費(fèi)者的賬戶號(hào)或者其他主鍵來進(jìn)行快速報(bào)告，而不是通過消費(fèi)者的姓名、電話號(hào)碼、郵編、花費(fèi)等等。特別提到：MongoDB剛剛為基于SQL的報(bào)告工具發(fā)布了BI Connector。

       運(yùn)營化：同樣地，我們?nèi)绾螌⒂袃r(jià)值的見解引入應(yīng)用運(yùn)營中，從而在最大化影響公司和消費(fèi)者的同時(shí)將數(shù)據(jù)變現(xiàn)？想象一下客服專員（CSR）告知消費(fèi)者，因?yàn)閿?shù)據(jù)湖僅支持這個(gè)主鍵，他必須提供賬號(hào)才能查詢所有的信息；或者查詢需要10分鐘時(shí)間。

       當(dāng)然，其中有些問題可以通過變通方法解決，不過會(huì)導(dǎo)致總擁有成本更高、開發(fā)或運(yùn)營工作更多、延遲也更高。例如，使用搜索引擎或者實(shí)體化視圖而不是通過主鍵來查詢；不過稍后還需返回到數(shù)據(jù)庫，在有完整記錄的數(shù)據(jù)庫中對(duì)主表進(jìn)行再次查詢，以獲得所需的完整信息。除了延遲翻倍之外，還需要耗費(fèi)額外的管理、開發(fā)工作，以及單獨(dú)搜索引擎需要的基礎(chǔ)設(shè)施，還有實(shí)體化視圖所需的維護(hù)，加上將數(shù)據(jù)寫入到其他地方造成的一致性問題。保持我們的設(shè)計(jì)原則，只用我們用慣的普通靈活索引不是很好么？

       MongoDB是一個(gè)有效數(shù)據(jù)湖的重要部分

   

圖 大數(shù)據(jù)架構(gòu)

       我們開始討論，探索單用Hadoop是否能滿足數(shù)據(jù)湖的需求，并發(fā)現(xiàn)了至少3個(gè)問題。我們能否在架構(gòu)中另加一層持久化層面來解決這些問題，同時(shí)保持設(shè)計(jì)原則——使用低總擁有成本的普通硬件、開源模式、讀時(shí)模式還有Hadoop分布式數(shù)據(jù)層——與之前一致呢？

       我選擇本文的主題是因?yàn)�，MongoDB就是在Hadoop-only數(shù)據(jù)湖中，補(bǔ)位最優(yōu)秀的數(shù)據(jù)庫。如果使用另一個(gè)開源NoSQL數(shù)據(jù)庫，就會(huì)發(fā)現(xiàn)其中幾乎不含二級(jí)索引（使用二級(jí)索引會(huì)導(dǎo)致無法同步數(shù)據(jù)），也沒有分組和聚合功能。你可以使用其中一些數(shù)據(jù)庫將數(shù)據(jù)寫入數(shù)據(jù)湖，不過如果出于商業(yè)需求想要以靈活的方式使用二級(jí)索引讀取的話，是做不到的。如果想要在數(shù)據(jù)湖中使用開源RDBMS，我們已經(jīng)說過，它們固定的模式、昂貴的垂直擴(kuò)展模型都違背了我們?cè)O(shè)計(jì)數(shù)據(jù)湖的原則。

       因此，推薦使用下面的架構(gòu)來構(gòu)建數(shù)據(jù)湖。

       MongoDB對(duì)數(shù)據(jù)湖非常重要

       這個(gè)架構(gòu)將MongoDB作為持久化層面加入任何需要表達(dá)查詢的數(shù)據(jù)集中，正與你需要索引的三個(gè)原因（上面列舉了）相關(guān)。由于需求數(shù)據(jù)來自消費(fèi)者，無論是否將數(shù)據(jù)發(fā)布到HDFS和/或MongoDB中，我推薦用governance function來確定。無論存儲(chǔ)到HDFS或者M(jìn)ongoDB上，就可以運(yùn)行分布式處理任務(wù)，比如Hive和Spark。不過如果數(shù)據(jù)在MongoDB上，因?yàn)楹Y選標(biāo)準(zhǔn)下放到數(shù)據(jù)庫中，不像在HDFS中那樣掃描文件，你就能在數(shù)據(jù)臨時(shí)切片上運(yùn)行有效分析了。與此相似，MongoDB中的數(shù)據(jù)也可用于實(shí)時(shí)、低延遲報(bào)告，并為構(gòu)建的應(yīng)用所用到的所有系統(tǒng)提供運(yùn)營數(shù)據(jù)平臺(tái)服務(wù)。

       如今一些公司只是將數(shù)據(jù)復(fù)制到Hadoop中進(jìn)行轉(zhuǎn)換，然后再復(fù)制到其他地方，用于完成有價(jià)值的工作。為什么不直接利用數(shù)據(jù)湖，發(fā)揮最大價(jià)值呢？使用MongoDB可以將價(jià)值多次翻倍。

       結(jié)論

       觀察長(zhǎng)期與短期需求，確保這些需求可以通過核心Hadoop分布中的最佳工具，以及MongoDB這樣的生態(tài)環(huán)境實(shí)現(xiàn)，數(shù)據(jù)湖對(duì)你而言就是有價(jià)值且而可行的。一些企業(yè)在使用數(shù)據(jù)湖時(shí)，只花費(fèi)一年時(shí)間清洗所有數(shù)據(jù)，然后將其寫入HDFS，希望在未來能用這些數(shù)據(jù)獲取價(jià)值。結(jié)果卻失望地發(fā)現(xiàn)這些數(shù)據(jù)毫無價(jià)值，事實(shí)上在數(shù)據(jù)與消費(fèi)者之間還存在另一種batch layer層面。

       通過將Hadoop與MongoDB合并，數(shù)據(jù)庫可以確保成功，并是一個(gè)保持較低的總擁有成本，最快響應(yīng)所有用戶（數(shù)據(jù)科學(xué)家、分析師、商業(yè)用戶、消費(fèi)者自身）的靈活數(shù)據(jù)平臺(tái)。有了數(shù)據(jù)湖，公司和員工就能用它來獲取獨(dú)特的見解，與客戶進(jìn)行有效溝通，將數(shù)據(jù)變現(xiàn)并戰(zhàn)勝競(jìng)爭(zhēng)對(duì)手。

核心關(guān)注：拓步ERP系統(tǒng)平臺(tái)是覆蓋了眾多的業(yè)務(wù)領(lǐng)域、行業(yè)應(yīng)用，蘊(yùn)涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務(wù)管理理念，功能涉及供應(yīng)鏈、成本、制造、CRM、HR等眾多業(yè)務(wù)領(lǐng)域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領(lǐng)域，是眾多中小企業(yè)信息化建設(shè)首選的ERP管理軟件信賴品牌。

轉(zhuǎn)載請(qǐng)注明出處：拓步ERP資訊網(wǎng)http://www.ezxoed.cn/

本文標(biāo)題：大數(shù)據(jù)架構(gòu)的未來

本文網(wǎng)址：http://www.ezxoed.cn/html/news/10515519182.html