zoukankan      html  css  js  c++  java
  • Hadoop虽然强大,但不是万能的(CSDN)

    Hadoop很强大,但企业在使用Hadoop或者大数据之前,首先要明确自己的目标,再确定是否选对了工具,毕竟Hadoop不是万能的!本文中列举了几种不适合使用Hadoop的场景。

    随着 Hadoop 应用的不断拓展,使很多人陷入了对它的盲目崇拜中,认为它能解决一切问题。虽然Hadoop是一个伟大的分布式大型数据计算的框架,但Hadoop不是万能的。比如在下面这几种场景就不适合使用Hadoop:

    1、低延迟的数据访问

    Hadoop并不适用于需要时查询和低延迟的数据访问。数据库通过索引记录可以降低延迟和快速响应,这一点单纯的用Hadoop是没有办法代替的。但是如果你真的想要取代一个实时数据库,可以尝试一下HBase来实现数据库实时读写。

    2、结构化数据

    Hadoop不适用于结构化数据,却非常适用于半结构化和非结构化数据。Hadoop和RDBMS不同,一般采用分布式存储,因此在查询处理的时候将会面临延迟问题。

    3、数据量并不大的时候

    Hadoop一般适用于多大的数据量呢?答案是:TB 或者PB。当你的数据只有几十GB时,使用Hadoop是没有任何好处的。按照企业的需求有选择性的的使用Hadoop,不要盲目追随潮流。Hadoop很强大。但企业在使用Hadoop或者大数据之前,首先要明确自己的目标,再确定是否选对了工具。

    4、大量的小文件

    小文件指的是那些size比HDFS的block size(默认64M)小得多的文件。如果在HDFS中存储大量的小文件,每一个个文件对应一个block,那么就将要消耗namenode大量的内存来保存这些block的信息。如果小文件规模再大一些,那么将会超出现阶段计算机硬件所能满足的极限。

    5、太多的写入和文件更新

    HDFS是采用的一些多读方式。当有太多文件更新需求,Hadoop没有办法支持。

    6、MapReduce可能不是最好的选择

    MapReduce是一个简单的并行编程模型。是大数据并行计算的利器,但很多的计算任务、工作及算法从本质上来说就是不适合使用MapReduce框架的。

    如果你让数据共享在MapReduce,你可以这样做:

    • 迭代运行多个 MapReduce jobs ,前一个 MapReduce 的输出结果,作为下一个 MapReduce 的输入。
    • 共享状态信息但不要分享信息在内存中,由于每个MapReduce的工作是在单个JVM上运行。

    原文链接:Hadoop isn’t Silver Bullet

  • 相关阅读:
    在 electron-vue 中的 Windows 下的路径问题,path.resolve 替换为 path.posix.join 。
    NLTK数据包下载频繁报错——解决方法
    常用正则表达式匹配
    NLTK的安装与简单测试
    Scrapy模块使用出错,出现builtins.ImportError: DLL load failed: 找不到指定的程序
    正则表达式手册
    数据分布vs聚类-数据预处理技巧-对数变换
    Python机器学习入门(1)之导学+无监督学习
    Pygame游戏开发入门(1)-开发框架
    Python-文件和数据格式化
  • 原文地址:https://www.cnblogs.com/xymqx/p/4477214.html
Copyright © 2011-2022 走看看