谈Hadoop平民化(infoq访谈)

向磊：大家好，我是向磊，本次阿里云开发者大赛最佳创意奖作品 EasyHadoop和 phpHiveAdmin的作者。目前供职于一家互联网视频公司的数据部门，负责整个Hadoop集群的维护和一些数据分析产品的研发工作。

本次参赛的EasyHadoop和phpHiveAdmin是我在业余时间编写的开源软件，其中EasyHadoop是界面化安装部署和管理Hadoop集群用的，phpHiveAdmin是用来管理和查询Hive数据仓库用的。如果打个类比的话，EasyHadoop类似于 Cloudera Manager，phpHiveAdmin类似于HUE里面的 Beeswax。主要是希望能够帮助到一些需要用到Hadoop做数据分析，又苦于Hadoop技术门槛太高的公司能够快速应用Hadoop。

向磊：个人看法吧，国内有一些大的互联网公司比较早就已经开始用Hadoop分析业务数据，但是很多中小企业或者国企央企还是处于观望状态。我觉得主要还是由于Hadoop的技术门槛比较高，推广起来具有一定难度，对中小企业来说，Hadoop的实施成本比较高。然后国企央企可能认为假如自己上了Hadoop，维护和开发将是比较困难的事情。当前Hadoop的人才稀有，所以，国内很多人听说过Hadoop了，但是能够真正下决心在自己企业实施的还是少数。不过总的趋势还是好的，愿意尝试Hadoop的公司和个人越来越多了。主要我觉得是业务压力逼的，传统的关系型数据库做统计分析现在确实有些力不从心了。数据量越来越大，一个group by就内存溢出了。在量变已经无法满足需求的时候，就需要质变了。

向磊：这个就需要说到我在大赛演示的时候说的Hadoop的三高问题(不是血糖高血脂高血压高，哈哈，这三高由我来替大家承担)。

第一是硬件投入高，Hadoop是集群存储和计算，这就意味着无法由一台服务器完成，搭建集群的话，一台高配服务器大概需要2-4万左右。对于中小企业来说，哪怕搭建3-4台集群都是很大的成本压力。不过很高兴这次看到阿里云提供的云主机，可以大幅度降低硬件的成本投入，适合Hadoop用的主机用一年才几千块钱，10台下来一年才几万块钱，这可以说个人都是可以承受的了。

第二是技术门槛高，能够安装部署运维Hadoop集群的人极其稀少，因为分布式计算毕竟需要数台到数十台服务器的协同运作，这时故障就变成常态了。给我很深刻印象的是阿里云的唐洪博士做的报告，单台服务器的硬盘故障率是4%，但是当你是一个集群，有5000台服务器的时候，硬盘故障率就是99.6%了。而且服务器之间网络通信，任务调度都会出问题，这些问题对维护人员来说都提出了相当高的要求。不过，其实最早做EasyHadoop和phpHiveAdmin是为了降低自己工作中的重复劳动，因为Hadoop的集群部署和安装配置乃至使用都是非常繁琐且容易出错的。所以为了省事，写了这样一个东西，从一个安装脚本开始，后来慢慢越写越大。最后整理一下功能就开源出来了。里面把安装脚本都封装起来了，用户不需要关心Hadoop安装的繁琐步骤。只要泡杯茶，点根烟，点点鼠标就好了，运维中的查看日志和重启节点也只需要动动手指就完成了。

第三是开发成本高，每个公司对自己的数据需求都是不同的，而能够开发Map/Reduce程序的人又少又贵，这就造成了大数据分析的人力成本很高。以前淘宝的报告提到，淘宝的数据90%分析是通过Hive仓库完成的，在我目前的公司，可能比例更高，95%是Hive完成的。但是 Hive本身是完全命令行操作的，除了技术人员可能都用不了。于是我就写了phpHiveAdmin用来做Hive数据仓库的管理和查询界面。这样，之前的mysql/oracle管理员可以不用开掉，留下来管理Hive仓库就好了。只要会写SQL就可以做大数据的分析了。并且我想提一个当初开发时候完全意料之外的改变，是管理流程上的变化。之前没有界面化，业务人员需要提交需求给技术人员。由技术人员编写HQL或者Map/Reduce，然后生成报表返回给业务人员，周期慢，中间对技术和业务人员对业务理解有偏差还要重新返工。写了phpHiveAdmin之后，业务人员只要简单培训一下HQL语言，很多数据他们可以自己去数据仓库里查询，而不需要通过技术人员了，节省了管理流程上的时间和成本。数据结果也更加直观。技术人员也能有更多的时间和精力去研发更多更重要的数据内容。这算是phpHiveAdmin为公司节省管理成本和数据研发成本做的一点贡献吧。

所以总结下来，云计算解决硬件成本问题，EasyHadoop解决技术门槛问题，phpHiveAdmin解决开发和管理成本高的问题，开源出来，算是对大家作出一点微不足道的帮助吧。

向磊：王坚博士演讲的时候我在场外展台，没有听到，但是我听说他的演讲中也提到了EasyHadoop，令我感到十分的荣幸。我十分同意王坚博士的观点，阿里系一直以来都是数据推动业务，才能获得今天雄霸整个中国电子商务市场和云计算市场的成就。关于大数据，我个人的看法是，大数据带来的也是大机遇和大挑战，不仅仅是技术层面上的，更是管理者眼界的问题。你打算靠什么来指导你自身的业务发展，是开所谓Brain Storm的拍脑袋会，还是用数据来证明，这是管理者需要改变思路的地方。

而作为开发者，也需要改变一些思维方式，从传统的单机思维，扩展到集群思维，大数据时代需要的是能够提出更快更好更创新的概念并实现。Hadoop和大数据我认为给我的一个启示是，个人英雄主义的单枪匹马作战方式将不再适用。集体和合作的力量将远大于个人的力量，用中国俗话来说，就是“三个臭皮匠，顶个诸葛亮”。对于技术人员来说也是这样，一个人再强也不是强，团队强才是真的强。更多分享和更多交流，是开发者需要加入到自己的时间表里的，而不仅仅是提高自己的技术和算法水平。团队协作不会降低你的社会地位和收入。

向磊：主要是用到了阿里云的ECS服务器，对Hadoop来说这就够了。优点嘛，就是执行速度快，内网间通信也非常快。需要改进的么，我了解了一下，阿里云为了保证数据安全，每个云主机里的数据都是备份3份的。然后如果用上Hadoop，Hadoop本身又是备份呢3份，这样数据就变成9份了。不知道阿里云能否有一种服务，用户可以自己定义主机数据的备份份数的。不过我觉得这会比较困难，因为这是云计算的底层服务，可能会很难改。算是个希望吧。

向磊：GPL简单的说就是开源传染协议。我的想法是，我既然愿意开源出来，就意味这我愿意为需要的人作出一点贡献。而被提供帮助的人们不需要向我支付费用，只要把这种帮助一直延续下去就好了。“Pay it forward, not pay me”，目前代码贡献者主要是我个人，主要原因是语言和程序架构比较复杂，语言方面用到了php，shell，python三种。然后涉及操作系统的底层内容比较多，像异步调用，线程池，socket通信等等。然后趣游的程序员史东杰提交过phpHiveAdmin的HQL自动提示代码和其他修改意见。窝窝团的用户提交过phpHiveAdmin的HQL正则表达式bug问题，目前已经修复了。

利弊方面，有利的方面是能够让软件可持续发展下去，每个人的代码都会被公开出来。弊端就是不会得到商业的支持，也就是没有任何来自商业公司的赞助。我目前是这样看的。

向磊：首先得感谢阿里云提供了这样一个比赛，能够和很多优秀的开发者面对面交流开发技巧。获奖感受一个成语总结就是受宠若惊，确实没有想到能拿到奖，因为毕竟参赛人数很多，每个人的作品又都独具匠心，非常有想法和特色，有些技术水平也非常高。比如三等奖的一个作者，北航的研三学生蔺波写的僵尸网络仿真就很厉害，网络仿真本身就是一个比较偏技术和前沿的东西，很难想象是一个学生的作品。

向磊：首先来说还是会继续完善整个产品，继续简化用户操作，增加功能，增强监控，修正bug，提高代码的安全性和强壮性。我还有很多想法，慢慢会逐步实现出来。然后也会对其他Hadoop生态圈的周边软件进行界面化封装，比如Pig，Mahout等等。大家在大会上都看到了phpHiveAdmin的Logo，当时因为时间关系没有讲。在这里我也想借这个logo的诞生贫两句，这个Logo是我一个发小帮我设计的。当时我告诉了他三个关键词：蜜蜂，大象，和简单。大家都知道，Hive的标志是蜜蜂，Hadoop的标志是大象，phpHiveAdmin的标志就是简单。所以就诞生了这个又像蜜蜂，又像大象，又很抽象的类似于任天堂红白机感觉的Logo，我觉得他很好的诠释了我对这整个系列产品的概念，就是要让大家像打红白机一样简单的进入大数据的殿堂。只要你会用Mysql，你就可以用Hive，只要你会点鼠标，你就可以用Hadoop。极简是EasyHadoop和整个系列产品的发展目标和方向，这也是我为什么当初决定用php来开发的理由。

感谢阿里云，感谢InfoQ，感谢谷歌，感谢Doug Cutting，以及感谢为大数据作出贡献的每一个人。