你知道么，在現(xiàn)在的市場上超過25萬個(gè)開源技術(shù)出現(xiàn)了。圍繞在我們身邊，這些越來越復(fù)雜的系統(tǒng)，就像我們看到的這樣，看如下圖表：

（點(diǎn)擊可看大圖）

在最少選擇的情況下我們還是有很多選擇的機(jī)會(huì)。哪些是你的目標(biāo)?哪些是2000家公司接下來的財(cái)富?哪些項(xiàng)目是可以在真正的產(chǎn)品階段使用的作為可靠的候選?哪些應(yīng)該受到特別關(guān)注呢?我們做了詳細(xì)的研究和測試，讓我們一起看下5種新的撼動(dòng)大數(shù)據(jù)的技術(shù)。這些是整理的幾組新的工具，讓我們一起來看看吧。

Storm 和 Kafka 是未來數(shù)據(jù)流處理的主要方式，它們已經(jīng)在一些大公司中使用率餓，包括 Groupon,阿里巴巴和The Weather Channel等。Storm,誕生于Twitter,是一個(gè)分布式實(shí)時(shí)計(jì)算系統(tǒng)。Storm 設(shè)計(jì)用于處理實(shí)時(shí)計(jì)算,hadoop主要用于處理批處理運(yùn)算。

kafka是由LinkedIn研發(fā)的一款消息系統(tǒng)作為一個(gè)數(shù)據(jù)處理的管道基礎(chǔ)部分存在于系統(tǒng)中。當(dāng)你一起使用它們，你就能實(shí)時(shí)地和線性遞增的獲取數(shù)據(jù)。

你為什么需要關(guān)心?

使用Storm和Kafka,使得數(shù)據(jù)流處理線性的，確保每條消息獲取都是實(shí)時(shí)的，可靠的。前后布置的Storm和Kafka能每秒流暢的處理10000條數(shù)據(jù)。

像Storm和Kafka這樣的數(shù)據(jù)流處理方案使得很多企業(yè)引起關(guān)注并想達(dá)到優(yōu)秀的ETL(抽取轉(zhuǎn)換裝載)的數(shù)據(jù)集成方案。Storm 和 Kafka 也很擅長內(nèi)存分析和實(shí)時(shí)決策支持。企業(yè)使用批量處理的Hadoop方案無法也難怪對實(shí)時(shí)的業(yè)務(wù)需求。在企業(yè)的大數(shù)據(jù)解決方案中實(shí)時(shí)數(shù)據(jù)流處理是一個(gè)必要的模塊，因?yàn)樗軆?yōu)美的處理了“3v”–volume,velocity 和 variety (容量，速率和多樣性)。Storm和Kafka這2種技術(shù)是我們(infochimps)最推薦的技術(shù)，它們也將作為一個(gè)正式組成部分存在于我們的平臺(tái)中。Drill和Dremel 實(shí)現(xiàn)了快速低負(fù)載的大規(guī)模，即席查詢數(shù)據(jù)搜索。它們提供了秒級搜索P級別數(shù)據(jù)的可能，來應(yīng)對即席查詢和預(yù)測，及提供強(qiáng)大的虛擬化支持。

Drill和Dremel提供強(qiáng)大的業(yè)務(wù)處理能力，不僅僅只是為數(shù)據(jù)工程師提供。業(yè)務(wù)端的大家都將喜歡Drill和Dremel.Drill 是Google的Dremel的開源版本。Dremel是Google提供的支持大數(shù)據(jù)查詢的技術(shù)。公司將用它來開發(fā)自己的工具，這些是導(dǎo)致大家都密切的關(guān)注Drill的原因。雖然這些不是起步，但是開源社區(qū)強(qiáng)烈的興趣使得它變得更成熟。

為什么你應(yīng)該關(guān)心?

Drill和Dremel相比Hadoop更好的分析即席查詢。Hadoop僅僅提供批量的數(shù)據(jù)處理工作流，這些也是缺點(diǎn)。

Hadoop生態(tài)圈使得MapReduce作為一個(gè)很親切有利的工具應(yīng)用于廣告分析。從Sawzall到Pig到Hive,很多接口層應(yīng)用的建立使得Hadoop更為友好，更接近業(yè)務(wù)，但是，像SQL體系，這些抽象層忽略一個(gè)重要的事實(shí)–MapReduce(或Hadoop)是為了系統(tǒng)化數(shù)據(jù)處理流程而存在的。如果你不擔(dān)心跑的哪些任務(wù)? 如果你不關(guān)心這些產(chǎn)生的問題和去尋求答案，那就保持沉默,保持洞察力。“即席探索” — 如果你已經(jīng)承擔(dān)數(shù)據(jù)處理，你這么優(yōu)化處理的速度?你不應(yīng)該運(yùn)行一個(gè)新的任務(wù)或者是等待，有時(shí)候考慮的時(shí)間還不如在問個(gè)新的問題。

在堆對比的工作流基礎(chǔ)的方法論中，很多業(yè)務(wù)驅(qū)動(dòng)的BI和分析查詢都是很基本的和臨時(shí)交互的，低延時(shí)分析。寫Map/Reduce工作流在很多業(yè)務(wù)分析中是被禁止的。等待幾分鐘等Jobs啟動(dòng)，在等幾個(gè)小時(shí)等執(zhí)行完成這些無溢于數(shù)據(jù)的交互體驗(yàn)，這些對比，和縮放比較最終產(chǎn)生了基本的新的視野。一些數(shù)據(jù)科學(xué)家早已經(jīng)推測Drill和Dremel將優(yōu)于Hadoop，并達(dá)成共識(shí)，也有一些還在考慮中，還有少部分的狂熱者立即擁抱變化，但是這些是主要的優(yōu)點(diǎn)在更面向查詢的和低延時(shí)的情況下。在Infochimps我們喜歡使用Elasticsearch全文索引引擎來實(shí)現(xiàn)數(shù)據(jù)庫的數(shù)據(jù)搜索，但是真的在大數(shù)據(jù)處理中我們認(rèn)為Drill將成為主流。

R是開源的強(qiáng)大的統(tǒng)計(jì)編程語言。自1997年以來，超過200萬的統(tǒng)計(jì)分析師使用R。這是一門誕生自貝爾實(shí)驗(yàn)室的在統(tǒng)計(jì)計(jì)算領(lǐng)域的現(xiàn)代版的S語言并迅速地成為了新的標(biāo)準(zhǔn)的統(tǒng)計(jì)語言。R使得復(fù)雜的數(shù)據(jù)科學(xué)變得更廉價(jià)。R是SAS和SPASS的重要的領(lǐng)頭者，并作為***秀的統(tǒng)計(jì)師的重要工具。

為什么你應(yīng)該關(guān)心?

因?yàn)樗幸粋€(gè)非凡強(qiáng)大的社區(qū)在支持著，你可以找到所有的R的類庫，創(chuàng)建虛擬的各類型的科學(xué)數(shù)據(jù)而不用新寫代碼。R之所以令人興奮是因?yàn)榫S護(hù)他的人和新的每天的創(chuàng)造。R社區(qū)是大數(shù)據(jù)領(lǐng)域令人興奮的地方之一。R在大數(shù)據(jù)領(lǐng)域是一個(gè)超棒的不會(huì)過時(shí)的技術(shù)。在最近的幾個(gè)月里，幾千個(gè)新特性被日益公開的知識(shí)基礎(chǔ)為主的分析類型的分析師們介紹.而且，R和Hadoop協(xié)同的很好，作為一個(gè)大數(shù)據(jù)的處理的部分已經(jīng)被證明了。保持關(guān)注：Julia ，是一個(gè)有趣的R的替代者，因?yàn)樗幌矚gR的死慢死慢的解釋器。Julia的社區(qū)雖然不怎么強(qiáng)大現(xiàn)在，但是如果你不是立即使用它的話，還是可以等等的。Gremlin 和 Giraph 幫助增強(qiáng)圖形分析，并在圖數(shù)據(jù)庫像Neo4j和InfiniteGraph中被使用，和與Hadoop協(xié)同工作的Giraph中被使用。Golden Orb是另一個(gè)高層面的流處理的圖基礎(chǔ)的項(xiàng)目的例子。可以看看。圖數(shù)據(jù)庫是富有魅力的邊緣化的數(shù)據(jù)庫。它們和關(guān)系型數(shù)據(jù)庫相比，有著很多有趣的不同點(diǎn)，這個(gè)是當(dāng)你在開始的時(shí)候總是想用圖理論而不是關(guān)系型理論。

另一個(gè)類似的圖基礎(chǔ)的理論是Google的Pregel,相比來說Gremlin和Giraph是其的開源替代。實(shí)際上，這些都是Google技術(shù)的山寨實(shí)現(xiàn)的例子。圖在計(jì)算網(wǎng)絡(luò)建模和社會(huì)化網(wǎng)絡(luò)方面發(fā)揮著重要作用，能夠連接任意的數(shù)據(jù)。另外一個(gè)經(jīng)常的應(yīng)用是映射和地理信息計(jì)算。從A到B的地點(diǎn)，計(jì)算最短的距離。圖在生物計(jì)算和物理計(jì)算領(lǐng)域也有廣泛的應(yīng)用，例如，他們能繪制不尋常的分子結(jié)構(gòu)。海量的圖，圖數(shù)據(jù)庫和分析語言和框架都是一種現(xiàn)實(shí)世界上實(shí)現(xiàn)大數(shù)據(jù)中的一部分。圖基礎(chǔ)的理論是一個(gè)殺手級的應(yīng)用，為什么這么說?任何一個(gè)解決大型網(wǎng)絡(luò)節(jié)點(diǎn)問題，都是通過節(jié)點(diǎn)和節(jié)點(diǎn)之間的路徑來處理的。很多富有創(chuàng)造力的科學(xué)家和工程師們，都很明白的用正確的工具來解決對應(yīng)的問題。確保他們都能運(yùn)行的漂亮并能被廣泛傳播。

SAP Hana 是一個(gè)全內(nèi)存的分析平臺(tái)，它包含了一個(gè)內(nèi)存數(shù)據(jù)庫和一些相關(guān)的工具軟件用來創(chuàng)建分析流程和規(guī)范正確的格式來進(jìn)行數(shù)據(jù)的輸入輸出。

為什么應(yīng)該關(guān)心?

SAP 開始反對為固化的企業(yè)用戶提高強(qiáng)大的產(chǎn)品，供開發(fā)免費(fèi)使用。這個(gè)不僅僅是SAP開始為初創(chuàng)著想，讓其使用Hana。他們授權(quán)培養(yǎng)社區(qū)解決方案，這些不尋常的做法是圍繞Hana的結(jié)果。

Hana 假設(shè)其他的程序處理時(shí)候還不夠快的解決遇到的問題，例如，金融建模和決策支持，網(wǎng)站個(gè)性化和欺騙檢測等等。Hana***的缺點(diǎn)是”全內(nèi)存“這意味著訪問軟狀態(tài)的內(nèi)存，這個(gè)是很明確的有點(diǎn)，但是這個(gè)也是相比磁盤存儲(chǔ)來說很昂貴的部分。據(jù)組織者說，不用擔(dān)心操作成本，Hana是快速的地延遲的大數(shù)據(jù)處理工具。

D3 本來不在列表中，但是它的親切感，讓我們認(rèn)為有提它的價(jià)值。D3是一個(gè)javascript面向文檔的可視化的類庫，。它強(qiáng)大的創(chuàng)新性的讓我們能直接看到信息和讓我們進(jìn)行正常的交互。它的作者是Michael Bostock一個(gè)紐約時(shí)報(bào)的圖形界面設(shè)計(jì)師。例如，你可以使用D3來從任意數(shù)量的數(shù)組中創(chuàng)建H™l表格。你能使用任意的數(shù)據(jù)來創(chuàng)建交互進(jìn)度條等。這里是一個(gè)D3的實(shí)際例子，創(chuàng)建2013年奧巴馬的民意情況。使用D3，程序員能之間創(chuàng)建界面，組織所有的各種類型的數(shù)據(jù)。

雖然這篇文章不長，但是也費(fèi)了我一段實(shí)際來翻譯，翻譯不足之處希望大家指正。其實(shí)看到這篇文章的時(shí)候，我就很想把它分享給喜歡它的人，得益于一個(gè)開放的環(huán)境，所以美國在IT領(lǐng)域總是這么的讓人驚喜，當(dāng)然我們也得跟上了。

開始正式的使用Hadoop已經(jīng)有近一年的時(shí)間的了，這期間從百度出來，到初見在到現(xiàn)在的BitWare，在不同的公司，用不同的技術(shù)解決問題。但是本質(zhì)上遇到的問題總是那么幾個(gè)，當(dāng)然現(xiàn)在很多公司也開始嘗鮮的使用Hadoop的了。這個(gè)是大環(huán)境是如此，可以理解。

以下說說個(gè)人對文章的理解：

Storm和Kafka 從11年起，就開始關(guān)注了，Storm在阿里也有部分二線應(yīng)用，但是整體而言，剛剛滿一歲的Storm在nathanmarz大俠的打磨下越來越穩(wěn)定了，并有部分線上的應(yīng)用了。所以對這個(gè)技術(shù)，總體而言，我個(gè)人還是很看好的，因?yàn)楝F(xiàn)在使用hadoop無法實(shí)現(xiàn)實(shí)時(shí)的處理，使用HBase來為主要的數(shù)據(jù)庫來使用了，暫時(shí)還是能解決，但是還是想嘗試下Storm,Kafka的關(guān)注不是很多，不過這個(gè)配合起來使用，據(jù)說很贊，沒有自己跑過。

Drill這個(gè)是Apache的開源項(xiàng)目，之前也看了Google Dremel的論文，無奈看不是很懂，現(xiàn)在也沒有遇到這樣的環(huán)境，而且社區(qū)才剛剛火起來，所以還沒有很多的時(shí)間來跟進(jìn)，暫時(shí)先擱置了。

R語言，之前在百度的時(shí)候，隔壁各位做的哥們就在使用R語言干活，這個(gè)可能是只有大公司能夠有能力去真正的挖掘的方面吧，我們現(xiàn)在的業(yè)務(wù)中基本沒有用到過，對于R還是很陌生，不過我個(gè)人任務(wù)，在不同的環(huán)境下使用不同的技術(shù)手段，猶如，博士聲光電吹盒子，我們架個(gè)電風(fēng)吹，是一樣的實(shí)現(xiàn)吧。

對于圖數(shù)據(jù)庫領(lǐng)域，還真的是沒有遇到過詳細(xì)的應(yīng)用，還沒有機(jī)會(huì)進(jìn)入這樣的公司，所以還是束之高閣吧。

SPA這個(gè)公司，聽過名字，但是沒有具體的接觸過，現(xiàn)在賣解決方案估計(jì)也不好過，弄個(gè)東西出來提高下知名度還是必須的。現(xiàn)在啃老本的時(shí)代已經(jīng)過去的了。

***一個(gè)可視化的JS類庫，興趣不大，業(yè)務(wù)現(xiàn)在不去做前端的了，所以也還好。