Hadoop发行版的比较与选择

 

Hadoop的发行版除了社区的Apache Hadoop外，Cloudera，Hortonworks，MapR，EMC，IBM，Intel，华为等都提供了自己的商业版本。商业版主要是提供了专业的技术支持，这对一些大型企业尤其重要。每个发行版都有自己的一些特点，本文就各个发行版做简单介绍。

 

2008 年成立的 Cloudera  是最早将 Hadoop 商用的公司，为合作伙伴提供 Hadoop 的商用解决方案，主要是包括支持，咨询服务，培训。2009年Hadoop的创始人 Doug Cutting也加盟 Cloudera公司。Cloudera 产品主要为CDH，Cloudera  Manager，Cloudera  Support。CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。Cloudera  Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera  Support即是对Hadoop的技术支持。Cloudera 的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。

 

2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建的公司。公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，这些工程师贡献了Hadoop 80%的代码。雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。Hortonworks 的主打产品是Hortonworks Data Platform (HDP)，也同样是100%开源的产品，HDP除了常见的项目外还包含了Ambari，一款开源的安装和管理系统。HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook 开源的Hive中。Hortonworks的Stinger开创性地极大地优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒。Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Windows Server和Windows Azure在内的Microsoft Windows平台上本地运行。定价以集群为基础，每10个节点每年为12500美元。

 

2009年成立的MapR公司在Hadoop领域显得有点特立独行，它提供了一款独特的发行版 。Hadoop在性能(在Hadoop1.X及其之前的设计中，所有的meta data操作都要通过集中式的NameNode来进行，NameNode有可能是性能的瓶颈;M/R 应用程序需要通过NameNode来访问HDFS, 这就涉及到额外的进程切换和网络传输开销)，可用性与扩展性(NameNode，JobTracker单点问题)，企业级应用上的弱点(比如完全可读写的文件系统，snapshot，mirror等等)各大厂商均知，MapR则认为，Hadoop的这些缺陷来自于其架构设计本身，小修小补不能解决问题。他们选择了一条艰难得多的路： 用新架构重写HDFS，同时在API级别，和目前的Hadoop 发行版保持兼容。这家2009年成立的创业公司，在蛰伏了两年之后，终于一鸣惊人，大放异彩。他们成功实现了“构建一个HDFS的私有替代品，这个替代品比当前的开源版本快三倍，自带快照功能，而且支持无NameNode单点故障(SPOF)，并且在API上和开源版兼容，所以可以考虑将其作为替代方案”。MapR版本不再需要单独的NameNode机器，元数据分散在集群中，也类似数据默认存储三份，正如OpenStack对象存储系统Swift的设计。也不再需要用网络附加存储(NAS)来协助NameNode做元数据备份，提高了机器使用率。还有个重要的特点是可以使用nfs直接访问hdfs，提供了与旧有应用的兼容性。镜像功能也很适合做数据备份，而且支持跨数据中心的镜像，快照功能对于数据的恢复作用明显。MapR还领导着Apache Drill项目，该项目是Google Dremel的开源实现，目的是在Hadoop上执行类似SQL的交互实时查询。MapR有免费和商业两个版本，免费版本在功能上有所缩减。据报道MapR标价也为每年每个节点4000美元。

 

EMC的Pivotal  HD除了所有Apache Hadoop发行版都必不可少的管理工具之外，它还提供了一个高效的数据装载器，另外还有一个Hadoop虚拟机，重头戏是HAWQ。HAWG是一个构建在HDFS上的通过SQL进行数据分析的方案，即构建在HDFS上的MPP DB。相比Hive、PIG等其他SQL解释器，它有完备的DBMS管理功能，支持标准SQL语法，在性能上更加接近原有DB。如果之前使用了Greenplum数据库，那么Pivotal HD就是一个完美的选择。

 

IBM推出了InfoSphere BigInsights大数据平台，由许多开源技术如 Apache Hadoop、Pig、Hive、Hbase、Flume等以及许多 IBM 技术如针对IBM的DB2数据库的连接件以及BigSheets等组成。BigSheets是一种基于浏览器的、使用电子表格隐喻(spreadsheet-metaphor)的界面，用于探究和分析Hadoop里面的数据。IBM在平台管理，安全认证，作业调度算法，与DB2及netezza的集成上做了增强。从IBM中国开发中心信息管理总经理朱辉下面这句话就可以看出IBM对于BigInsights的定位：BigInsights并没有替代OLAP(Online Analytical Processing)或OLTP(Online Transaction Processing)应用程序，但它可以整合其中，用于“过滤大量原始数据并合并结果，将结果以结构化数据的形式保存在DBMS或数据仓库中”。

 

传统的硬件厂商，Intel，华为也提供了Hadoop发行版。

 

Intel的商业版本，主要是强调其能提供全面的软硬件解决方案设计，针对硬件具有更好的性能优化，以及提供集群管理工具和安装工具简化了 Hadoop 的安装和配置，能够提供项目规划到实施各阶段专业的咨询服务，实际中采购Intel版本貌似动力不足。

 

华为在硬件上具有天然的优势，在网络，虚拟化，PC机等都有很强的硬件实力。华为的FusionInsight Hadoop版本基于Apache Hadoop，构建NameNode、JobTracker、HiveServer的HA功能，进程故障后系统自动Failover，无需人工干预，这个也是对Hadoop的小修补，远不如MapR解决的彻底。华为在Hadoop社区中的Contributor和Committer也是国内最多的，算是国内技术实力较强的公司。

 

Microsoft和Hortonworks相互合作，特别是合作将Apache Hadoop引入到Windows Server操作系统和Windows Azure云服务中。

 

Oracle通过将自己的软硬件与Cloudera的Apache Hadoop发行版本结合到一起，提供一个大数据应用产品。而像SAP、Talend这样的软件提供商则同时支持几个不同的发行版本。