Hadoop、spark、hive到底是什么，做算法要不要学？

作者 | 梁唐

大家好，我是梁唐。

最近我发现，很多萌新说着想要做算法工程师，但是却对这个岗位的要求以及工作内容一无所知。以为学一个Python，再学一些机器学习、深度学习的模型就可以胜任了。工作就是用Python不停地写模型。

显然，这样的想法是有问题的，如果真这么干，即使通过了面试成功入职，也会干得非常痛苦。因为你会发现这也不知道那也不知道，做啥都很吃力，需要一段很长的时间学习。而这种为了应付工作临时抱佛脚的学习往往很难深入，有种不停打补丁的感觉。

今天就和大家聊聊算法工程师的几项基本功，看看除了算法和模型之外，还需要学些什么。

hadoop

首先当然是hadoop，不过hadoop不是一门技术，而是一个大数据框架。它的logo是一只黄色的小象，据说是这个项目的创建者用女儿的玩具命名的。

经过了很多年的发展，现在hadoop框架已经非常成熟，衍生出了一个庞大的家族。有多庞大呢，我在google里给大家找了一张图，大家可以看看感受一下，这里面有多少是自己知道的，有多少没听说过。

当然对于算法工程师来说，hadoop家族并不需要全部了解，只需要着重关注几个就可以了。

hdfs

首先是hdfs，hdfs是hadoop框架中的分布式文件系统。因为在工业场景当中，数据量是非常庞大的，动辄TB甚至是PB量级。如此庞大的数据，显然不可能存在一块磁盘里，必须要分布式存储，分成不同的部分，不同的部分分开存储。通过hdfs我们可以很方便地实现这一点，可以使用一些简单的shell命令管理大规模的数据。

hdfs的内部是分片（block）存储的，并且设计了严谨的容错机制，尽可能地保证了数据的准确性。一般我们用hdfs存储一些离线数据，也就是对延迟要求不高的数据，比如模型的训练数据。它的特点是存储能力很强，但是读取速度很慢，中间的延迟很长。

因为训练数据的规模往往也非常庞大，并且从用户线上的实时行为转化成模型需要的输入，中间需要大量的计算步骤。这会带来巨大的计算压力，因此对于这样的数据，我们往往都是借助于hdfs做离线处理。设计一套数据处理流程，进行若干步骤的处理，每一步处理的中间数据都存储在hdfs上。

模型训练的时候，也通过挂载hdfs的方式直接读取tensor进行训练。

MapReduce

hdfs是hadoop的存储系统，hadoop同样也推出过一套计算系统，就是MapReduce。

我在之前的文章曾经介绍过MapReduce的原理，其实非常简单，它将数据的计算过程抽象成了两个步骤。一个步骤叫map，一个步骤叫reduce。

map步骤做的数据的映射，比如我们从一个很大的json文件当中读取出我们想要的字段，在这个步骤当中，我们从json获得了几个字段。

reduce步骤做的是汇总，我们把刚刚map阶段得到的结果，按照我们的想法汇聚在一起，比如计算平均数、中位数等等。

这个想法巧妙的地方在于map和reduce都是可以分布式进行的，比如map阶段，我们可以对hdfs里的每一个文件都设置一个map读取文件进行处理。map阶段结束之后，我们也可以起多个reducer对map的结果进行加工，尽可能导致了整个过程都是并发进行的，也就保证了数据的处理速度。

虽然MapReduce的提出到现在已经十多年了，但仍然没有淘汰，还在很多场景当中广泛使用。

hive

hive也是hadoop家族核心的一员，它的思想也很巧妙，做了一件非常有利于程序员的事情。

使用hdfs以及MapReduce其实就足够应付几乎所有大数据计算的场景了，但是足够应付并不代表应付起来很舒服。有些场景使用起来就不是很顺手，比如说我们要把两份数据关联在一起，一份是用户点击数据，一份是商品数据，我们想要得到用户点过的商品信息。

你会发现使用MapReduce去做这样一件事情会非常蛋疼，要写很多代码。所以有人突发奇想，我们能不能利用hdfs以及MapReduce做一套好用一点的数据处理系统，比如说将数据全部格式化，然后像是数据库一样使用SQL来进行数据的查询和处理？于是就有了hive。

hive底层的运算框架就是MapReduce，只不过有了表结构之后，很多之前很复杂的操作被大大简化了。尤其是数据表之间的join、group by等操作，之前需要写大量MapReduce的代码，现在几行SQL就搞定了。

不过hive毕竟不是数据库，它的使用还是有一些它自己专属的奇淫技巧。比如说避免数据倾斜的情况，比如说设置合理的内存分片，比如说udf的使用等等。

只是懂SQL的语法是写不好hive的，多少还需要做一些深入的了解。

spark

说到spark相信很多同学也是久仰大名，它是一个非常著名的开源集群计算框架，也可以理解成一个分布式计算框架。

spark在MapReduce的基础上对MapReduce当中的一些问题进行了优化，比如MapReduce每次运算结束之后都会把数据存储在磁盘上，这会带来巨大的IO开销。

而spark使用了存储器内运算技术，可以尽量减少磁盘的写入。这其中的技术细节看不懂没有关系，我们只需要知道它的运算性能比MapReduce快很多就可以了，一般来说运算速度是MapReduce的十倍以上。并且spark原生支持hdfs，所以大部分公司都是使用hdfs做数据存储，spark来进行数据运算。

在hadoop推出了hive之后，spark也推出了自己的spark SQL。不过后来hive也支持使用spark作为计算引擎代替MapReduce了，这两者的性能上差异也就很小了，我个人还是更喜欢hive一点，毕竟写起来方便。

另外spark除了计算框架之外，当中也兼容了一些机器学习的库，比如MLlib，不过我没有用过，毕竟现在机器学习的时代都快结束了。很少再有使用场景了，大家感兴趣也可以了解一下。

总结

最后做一个简单的总结，总体上来说想要成为一名合格的算法工程师，hadoop、MapReduce、hive这些或多或少都需要有所了解。不说能够精通到原理级，但至少需要会用，大概知道里面怎么回事。

这也是工业界和实验室里的最大区别，毕竟学校里的实验数据量也不会很大，直接放在内存里就完事了。所以数据处理一般都是numpy + pandas什么的，但是在公司里，几乎没有pandas的用武之地，毕竟数据量太大了，不可能都放内存里，必须要借助大数据计算平台来解决。

好了，就说这么多吧，感谢大家的阅读。