大数据进入企业，应如何继承传统的数据处理方式

【摘  要】当Hadoop进入企业，必须面对一个问题，那就是怎样解决和应对传统并成熟的IT信息架构。以往MapReduce主要用来解决日志文件分析、互联网点击流、互联网索引、机器学习、金融分析、科学模拟、影像存储、矩阵计算等非结构化数据。但在企业内部，如何处理原有的结构化数据是企业进入大数据领域所面对的难题。企业需要既能处理非结构化数据，又能处理结构化数据的大数据技术。

在大数据时代，Hadoop主要用来处理非结构化数据，而如何处理传统IOE架构的结构化数据则成为企业面临的一个难题。在此背景下，既能处理结构化数据又能处理非结构化数据的SQL on Hadoop应运而生。

SQL on Hadoop是2013年最热门的话题，它由Cloudera Impala的发布版推到热议。目前，SQL on Hadoop正处于起步阶段，其技术实践方式很多样。而企业由于已经适应了在小数据上的灵活处理方式，转到Hadoop一下子变得无所适从,所以对SQL on Hadoop的呼声越来越大。SQL on Hadoop既要保证Hadoop性能，又要保证SQL的灵活性。关于SQL on Hadoop，业界有不同的看法，业内专业大数据公司也在积极的研究。

1.传统方式的DB on TOP

一些北美厂商采用传统方式的DB on TOP来解决SQL on Hadoop，即组合利用不同的计算框架面向不同的数据操作。其中以EMC Greenplum、Hadapt、Citus Data为代表。Hadapt以PostgreSQL架接在Hadoop上,来完成对结构化数据的查询。它提供了统一的数据处理环境，利用Hadoop的高扩展性和关系数据库的高速性，分开执行Hadoop和关系数据库之间的查询。Citus Data通过把多种数据类型转化成数据库的原生类型，运用分布式处理技术来完成查询。

图1、Hadapt

DB on Top 方式是业内同事解决结构化与非结构化数据的最初尝试，最早由Hadapt公司在2010年提出，也就绪了能够跑在Amazon EMR上的社区版。但是，其本质是数据在两种计算框架中分别存放，如图1所示，结构化数据存储于高性能关系型数据引擎（High-Performance Relational Engine for Structured Data）,非结构化数据存储于Hadoop分布文件系统（Hadoop Distributed File System for Unstructured Data），对两种类型的数据交互依靠查询的切片执行，元数据的组织控制必然是系统扩展演变中的过度技术。

(责任编辑：蒙遗善)