《从0开始学大数据》之大数据基准测试

大数据作为一个生态体系，不但有各种直接进行大数据处理的平台和框架，比如 HDFS、MapReduce、Spark，还有很多周边的支撑工具，而大数据基准测试工具就是其中一个大类。

大数据基准测试的应用

2012 年，Intel 大数据团队用大数据基准测试工具 HiBench 对 Spark 和 MapReduce 做了对比测试后发现，Spark 运行性能有令人吃惊的表现。当时 Intel 大数据团队的负责人戴老师（Jason Dai）立即飞到美国，跟当时开发 Spark 的 UC Berkeley 的 AMP 实验室交流，表示 Intel 愿意参与到 Spark 的开发中。Spark 也极其希望有业界巨头能够参与其中，开发代码尚在其次，重要的是有了 Intel 这样的巨头背书，Spark 会进一步得到业界的认可和接受。

所以 Intel 成了 Spark 最早的参与者，加速了 Spark 的开发和发展。当 2013 年 Spark 加入 Apache 的开源计划，并迅速成为 Apache 的顶级项目，风靡全球的大数据圈子时，Intel 作为早期参与者，也得到了业界的肯定，使 Intel 在大数据领域可以保持持续的影响力。

在这个案例里，所有各方都是赢家，Spark、Intel、Apache，乃至整个大数据行业，老师提到关于工作的一个观点：好的工作不光是对公司有利，对员工也是有利的。工作不是公司在压榨员工的过程，而是公司创造价值，同时员工实现自我价值的过程。

而如何才能创造出好的工作也不只是公司的责任，主要还是要靠员工自己，去发现哪些事情能够让自己、公司、社会都获益，然后去推动这些事情的落实，虽然有的时候推动比发现更困难。同时拥有发现和推动能力的人，毫无例外都是一些出类拔萃的人，比如专栏前面也提到的 Intel 的戴老师，这些人都是我们工作的榜样。

大数据基准测试工具 HiBench

大数据基准测试工具有很多，今天重点介绍的是 Intel 推出的大数据基准测试工具HiBench。

HiBench 内置了若干主要的大数据计算程序作为基准测试的负载（workload）。

• Sort，对数据进行排序大数据程序。
• WordCount，词频统计大数据计算程序。
• TeraSort，对 1TB 数据进行排序，最早是一项关于软件和硬件的计算力的竞赛，所以很多大数据平台和硬件厂商进行产品宣传的时候会用 TeraSort 成绩作为卖点。
• Bayes 分类，机器学习分类算法，用于数据分类和预测。
• k-means 聚类，对数据集合规律进行挖掘的算法。
• 逻辑回归，数据进行预测和回归的算法。
• SQL，包括全表扫描、聚合操作（group by）、连接操作（join）几种典型查询 SQL。
• PageRank，Web 排序算法。

此外还有十几种常用大数据计算程序，支持的大数据框架包括 MapReduce、Spark、Storm 等。

对于很多非大数据专业人士而言，HiBench 的价值不在于对各种大数据系统进行基准测试，而是学习大数据、验证自己大数据平台性能的工具。

对于做大数据平台的工程师，如果等到使用者来抱怨自己维护的大数据平台不稳定、性能差的时候，可能就有点晚了，因为这些消息可能已经传到老板那里了。所以必须自己不停地跑一些测试，了解大数据平台的状况。

有了 HiBench，这些问题都很容易就可以解决，HiBench 内置了主要的大数据程序，支持多种大数据产品。最重要的是使用特别简单，初学者可以把 HiBench 当作学习工具，可以很快运行起各种数据分析和机器学习大数据应用。大数据工程师也可以用 HiBench 测试自己的大数据平台，验证各种大数据产品的性能。

HiBench 使用

三个步骤

1. 配置，配置要测试的数据量、大数据运行环境和路径信息等基本参数。
2. 初始化数据，生成准备要计算的数据，比如要测试 1TB 数据的排序，那么就生成 1TB 数据。
3. 执行测试，运行对应的大数据计算程序。

具体初始化和执行命令也非常简单，比如要生成数据，只需要运行 bin 目录下对应 workload 的 prepare.sh 就可以自动生成配置大小的数据。

bin/workloads/micro/terasort/prepare/prepare.sh

要执行大数据计算，运行 run.sh 就可以了。

bin/workloads/micro/terasort/hadoop/run.sh
bin/workloads/micro/terasort/spark/run.sh

小结

同一类技术问题的解决方案绝不会只有一个，技术产品也不会只有一个，比如大数据领域，从 Hadoop 到 Spark 再到 Flink，各种大数据产品层出不穷，那么如何对比测试这些大数据产品，在不同的应用场景中它们各自的优势是什么？这个时候就需要用到基准测试工具，通过基准测试工具，用最小的成本得到我们想测试的结果。

所以除了大数据，在很多技术领域都有基准测试，比如数据库、操作系统、计算机硬件等。前几年手机领域的竞争聚焦在配置和性能上，各路发烧友们比较手机优劣的时候，口头禅就是“跑个分试试”，这也是一种基准测试。

因此基准测试对这些产品而言至关重要，甚至攸关生死。得到业界普遍认可的基准测试工具就是衡量这些产品优劣的标准，如果能使基准测试对自己的产品有利，更是涉及巨大的商业利益。有时候我们想要了解一个大数据产品的性能和用法，看了各种资料花了很多时间，最后得到的可能还是一堆不靠谱的 N 手信息。但自己跑一个基准测试，也许就几分钟的事，再花点时间看看测试用例，从程序代码到运行脚本，很快就能了解其基本用法，更加省时、高效。

思考题

今天文章的 Impala VS Hive 的基准测试报告里，发现当数量很大的时候做 join 查询，Impala 会失去响应，是因为 Impala 比 Hive 更消耗内存，当内存不足时，就会失去响应。你能否从 Impala 的架构和技术原理角度分析为什么 Impala 比 Hive 更消耗内存？

来自极客时间精选留言，本思考题比较开放

大神1

当时有好友在Cloudera工作，聊起过Impala开发。Impala其实就是一个MPP的database execution engine, 但很多地方不成熟。最大的问题就是不支持spilling. 所以才导致很多operation会吃光内存，比如hash join, group by aggregation或sorting (一个趣事，Impala在执行order by语句会强制要求有limit语句)。但Hive是mapreduce engine本质对内存需求不大。

大神2

作者回复：spark的内存策略更多样，可以在内存不足时使用磁盘。最重要的，spark的rdd lineage，可以使spark针对一个分片进行溯源重建，容错能力非常强。

该笔记摘录自极客时间课程
《从0开始学大数据》