Hadoop无法解决的问题

文章系本人原创，转载请保持完整性并注明出自 《四火的唠叨》

因为项目的需要，学习使用了Hadoop，和所有过热的技术一样，“大数据”、“海量”这类词语在互联网上满天乱飞。Hadoop是一个非常优秀的分布式编程框架，设计精巧而且目前没有同级别同重量的替代品。另外也接触到一个内部使用的框架，对于Hadoop做了封装和定制，使得更满足业务需求。我最近也想写一些Hadoop的学习和使用心得，但是看到网上那么泛滥的文章，我觉得再写点笔记一样的东西实在是没有价值。倒不如在漫天颂歌的时候冷静下来看看，有哪些不适合Hadoop解决的难题呢？

这张图就是Hadoop的架构图，Map和Reduce是两个最基本的处理阶段，之前有输入数据格式定义和数据分片，之后有输出数据格式定义，二者中间还可以实现combine这个本地reduce操作和partition这个重定向mapper输出的策略行为。可以增加的定制和增强包括：

• 输入数据和输出数据的强化，例如通过数据集管理起来，可以统一、合并各式数据集，甚至也可以给数据增加过滤操作作为初筛，事实上业务上的核心数据源是种类繁多的；
• 数据分片策略的扩展，我们经常需要把具备某些业务共性的数据放到一起处理；
• combine和partition的扩展，主要是有一些策略实现是在很多Hadoop的job中都是通用的；
• 监控工具的扩展，这方面我也见过别的公司内部定制的工具；
• 通讯协议和文件系统的增强，尤其是文件系统，最好能用起来像接近本地命令一样，这样的定制在互联网上也能找得到；
• 数据访问的编程接口的进一步封装，主要也是为了更切合业务，用着方便；
• ……

这些定制从某种程度上也反应了Hadoop在实际使用中略感局限或者设计时无暇顾及的地方，但是这些都是小问题，都是通过定制和扩展能够修复的。但是有一些问题，是Hadoop天生无法解决的，或者说，是不适合使用Hadoop来解决的问题。

1、最最重要一点，Hadoop能解决的问题必须是可以MapReduce的。这里有两个特别的含义，一个是问题必须可以拆分，有的问题看起来很大，但是拆分很困难；第二个是子问题必须独立——很多Hadoop的教材上面都举了一个斐波那契数列的例子，每一步数据的运算都不是独立的，都必须依赖于前一步、前二步的结果，换言之，无法把大问题划分成独立的小问题，这样的场景是根本没有办法使用Hadoop的。

2、数据结构不满足key-value这样的模式的。在Hadoop In Action中，作者把Hadoop和关系数据库做了比较，结构化数据查询是不适合用Hadoop来实现的（虽然像Hive这样的东西模拟了ANSI SQL的语法）。即便如此，性能开销不是一般关系数据库可以比拟的，而如果是复杂一点的组合条件的查询，还是不如SQL的威力强大。编写代码调用也是很花费时间的。

3、Hadoop不适合用来处理大批量的小文件。其实这是由namenode的局限性所决定的，如果文件过小，namenode存储的元信息相对来说就会占用过大比例的空间，内存还是磁盘开销都非常大。如果一次task的文件处理较大，那么虚拟机启动、初始化等等准备时间和任务完成后的清理时间，甚至shuffle等等框架消耗时间所占的比例就小得多；反之，处理的吞吐量就掉下来了。（有人做了一个实验，参阅： 链接）

4、Hadoop不适合用来处理需要及时响应的任务，高并发请求的任务。这也很容易理解，上面已经说了虚拟机开销、初始化准备时间等等，即使task里面什么都不做完整地跑一遍job也要花费几分钟时间。

5、Hadoop要处理真正的“大数据”，把scale up真正变成scale out，两台小破机器，或者几、十几GB这种数据量，用Hadoop就显得粗笨了。异步系统本身的直观性并不像那些同步系统来得好，这是显而易见的。所以基本上来说，维护成本不会低。

文章系本人原创，转载请保持完整性并注明出自 《四火的唠叨》

• 换个角度思考问题
• 留心那些潜在的系统设计问题
• Issue record: “No thread for socket” about Memcached
• Notes: Hadoop-based open source projects
• Algorithm In Interview