當前BAT基本公開了其大數據平台架構，從網上也能查詢到一些資料，關於大數據分析軟體平台的各類技術介紹也不少，但在那個機制、那個環境、那個人才、那個薪酬體系下，對於傳統企業，可借鑒的東西也是有限的。

技術最終為業務服務，沒必要一定要追求先進性，各個企業應根據自己的實際情況去選擇自己的技術路徑。

與傳統的更多從技術的角度來看待大數據平台架構的方式不同，筆者這次，更多的從業務的視角來談談關於大數據架構的理解，即更多的會問為什麼要採用這個架構，到底能給業務帶來多大價值，實踐的最終結果是什麼。

它不一定具有通用性，但從一定程度講，這個架構可能比BAT的架構更適應大多數企業的情況，畢竟，大多數企業，數據沒到那個份上，也不可能完全自研，商業和開源的結合可能更好一點，權當拋磚引玉。

大數據平台架構的層次劃分沒啥標準，以前筆者曾經做過大數據應用規劃，也是非常糾結，因為應用的分類也是橫縱交錯，後來還是覺得體現一個「能用」原則，清晰且容易理解，能指導建設，這裡將大數據平台劃分為「五橫一縱」。

具體見下圖示例，這張圖是比較經典的，也是妥協的結果，跟當前網上很多的大數據架構圖都可以作一定的映射。

何謂五橫，基本還是根據數據的流向自底向上劃分五層，跟傳統的數據倉庫其實很類似，數據類的系統，概念上還是相通的，分別為數據採集層、數據處理層、數據分析層、數據訪問層及應用層。

同時，大數據平台架構跟傳統數據倉庫有一個不同，就是同一層次，為了滿足不同的場景，會採用更多的技術組件，體現百花齊放的特點，這是一個難點。

數據採集層：既包括傳統的ETL離線採集、也有實時採集、互聯網爬蟲解析等等。

數據處理層：根據數據處理場景要求不同，可以劃分為HADOOP、MPP、流處理等等。

數據分析層：主要包含了分析引擎，比如數據挖掘、機器學習、 深度學習等。

數據訪問層：主要是實現讀寫分離，將偏嚮應用的查詢等能力與計算能力剝離，包括實時查詢、多維查詢、常規查詢等應用場景。

數據應用層：根據企業的特點不同劃分不同類別的應用，比如針對運營商，對內有精準行銷、客服投訴、基站分析等，對外有基於位置的客流、基於標籤的廣告應用等等。

數據管理層：這是一縱，主要是實現數據的管理和運維，它橫跨多層，實現統一管理。

1、數據採集層，這是基礎。

離線批量採集，採用的是HADOOP，這個已經成為當前流線採集的主流引擎了，基於這個平台，需要部署數據採集應用或工具。

諸如BAT都是自己研發的產品，一般企業，可以採用商用版本，現在這類選擇很多，比如華為BDI等等，很多企業技術實力有，但起步的時候往往對於應用場景的理解比較弱，細節做工很差，導致做出來的產品難以達到要求，比如缺乏統計功能等，跟BAT差距很大，傳統企業去採購這類產品，要謹慎小心。

一個建議是，當採購產品的時候，除了技術先進性和指標外，更多的應該問問是版本啥時候上線的，是否在哪裡成功部署，是否有足夠多的客戶，如果能做個測試就更好，否則，你就是小白鼠哦，這個坑踩了不少。

能做和做成產品是兩個境界的事情，小的互聯網企業當然也能做出對於自己好用的採集工具，但它很難抽象並打造出一個真正的產品，BAT自研其實形成了巨大的優勢。

實時採集現在也成了大數據平台的標配，估計主流就是FLUME+KAFKA，然後結合流處理+內存資料庫吧，這個技術肯定靠譜，但這類開源的東西好是好，但一旦出現問題往往解決周期往往比較長。

除了用FLUME，針對ORACLE資料庫的報表製作為了實現實時採集，也可以採用OGG/DSG等技術實現實時的日誌採集，可以解決傳統數據倉庫抽全量表的負荷問題。

爬蟲當前也逐漸成為很多企業的採集標配，因為互聯網新增數據主要靠它，可以通過網頁的解析獲取大量的上網信息，什麼輿情分析、網站排名啥的，建議每個企業都應該建立企業級的爬蟲中心，如果它未在你的大數據平台規劃內，可以考慮一下，能拿的數據都不拿，就沒什麼好說了。

企業級的爬蟲中心的建設難度蠻大，因為不僅僅是需要爬蟲，還需要建立網址和應用知識庫，需要基於網頁文本進行中文分詞，倒排序及文本挖掘等，這一套下來，挑戰很大，當前已經有不少開源組件了，比如solr、lucent、Nutch、ES等等，但要用好它，路漫漫其修遠兮。

還有一個就是，如果有可能，筆者建議將數據採集平台升級為數據交換平台，因為其實企業內有大量的數據流動，不僅僅是單向的數據採集，而且有很多數據交換，比如需要從ORACLE倒數據到GBASE，從HBASE倒數據到ASTER等等，對於應用來講，這個價值很大。

既然數據採集和數據交換有很多功能非常類似，為什麼不做整合呢？也便於統一管理，感覺企業的數據交換大量都是應用驅動，介面管理亂七八糟，這也是我的一個建議。

總得來講，建設大數據採集平台非常不易，從客戶的角度講，至少要達到以下三個要求：

多樣化數據採集能力：支援對錶、文件、消息等多種數據的實時增量數據採集（使用flume、消息隊列、OGG等技術）和批量數據分布式採集等能力（SQOOP、FTP VOER HDFS），比基於傳統ETL性能有量級上的提升，這是根本。

可視化快速配置能力：提供圖形化的開發和維護界面，支援圖形化拖拽式開發，免代碼編寫，降低採集難度，每配置一個數據介面耗時很短，以降低人工成本。

統一調度管控能力：實現採集任務的統一調度，可支援Hadoop的多種技術組件（如 MapReduce、Spark 、HIVE）、關係型資料庫存儲過程、 shell腳本等，支援多種調度策略（時間/介面通知/手工）。

2、數據處理層，現在有個詞叫混搭，的確是這樣。

Hadoop的HIVE是傳統數據倉庫的一種分布式替代。應用在傳統ETL中的數據的清洗、過濾、轉化及直接匯總等場景很適合，數據量越大，它的性價比越高。但目前為止看，其支撐的數據分析場景也是有限的， 簡單的離線的海量分析計算是它所擅長的，相對應的，複雜的關聯交叉運算其速度很慢。

一定程度講，比如企業客戶統一視圖寬表用HIVE做比較低效，因為涉及到多方數據的整合，但不是不可以做，最多慢點嘛，還是要講究個平衡。

hadoop到了X000台集群的規模也撐不住了,當前很多企業的數據量應該會超過這個數量，除了像阿里等自身有研發能力的企業（比如ODPS），是否也要走向按照業務拆分Hadoop集群的道路？諸如浙江行動已經拆分了固網、移網、創新等多個hadoop集群。

Hadoop的SPARK的很適合機器學習的迭代，但能否大規模的應用於數據關聯分析，能否一定程度替代MPP，還需要實踐來驗證。

MPP應該來說，是採用分布式架構對於傳統數據倉庫最好的替代，畢竟其實際上是變了種的關係型資料庫，對於SQL提供完整支援，在HIVE做了轉化分析後，數據倉庫的融合建模用它來做性能綽綽有餘，其性價比較傳統DB2更好一點，比如經過實用，Gbase30-40台集群就能超過2台頂配的IBM 780。

MPP現在產品很多，很難做優劣判斷，但一些實踐結果可以說下，GBASE不錯，公司很多系統已經在上面跑了，主要還是國產的，技術服務保障相對靠譜，ASTER還有待觀望，自帶一些演算法庫是有其一些優勢，GreenPlum、Vertica沒用過，不好說。

現在有個說法是MPP最終也要被Hadoop那套框架替代，畢竟諸如SPARK啥的都在逐步穩定和成熟，但在短期內，我覺得還是很靠譜的，如果數據倉庫要採用漸進的演化方式，MPP的確是很好的選擇。

現在諸如中國移動，eBAY等大量公司都在採用這類混搭結構，以適應不同的應用場景，顯然是一種自然的選擇。

大數據平台的三駕馬車，少不了流處理。

對於很多企業來講，其顯然是核武器般的存在，大量的應用場景需要它，因此務必要進行建設，比如在IOE時代不可想像的實時、准實時數據倉庫場景，在流處理那裡就變得很簡單了，以前統計個實時指標，也是很痛苦的事情，當前比如反欺詐實時系統，一天系統就申請部署好了。

只嘗試過STORM和IBM STREAM，推薦IBM STREAM，雖然是商業版本，但其處理能力超過STORM不是一點半點，據說STORM也基本不更新了，但其實數據量不大，用啥都可以，從應用的角度講，諸如IBM這種商業智慧版本，是不錯的選擇，支撐各類實時應用場景綽綽有餘。

流處理集群以流處理技術結合內存資料庫，用以實時及准實時數據處理，基於IBM Streams流處理集群承載公司的實時業務：

3、數據分析層，與時俱進吧。

先談談語言，R和Python是當前數據挖掘開源領域的一對基友，如果要說取捨，筆者真說不出來，感覺Python更偏向工程一點，比如有對分詞啥的直接支撐，R的繪圖能力異常強大。但他們原來都以樣本統計為主，因此大規模數據的支撐有限。

筆者還是更關注分布式挖掘環境，SPARK是一種選擇，建議可以採用SPARK+scala，畢竟SPARK是用scala寫的，對很多原生的特性能夠快速支援。

TD的MPP資料庫ASTER也內嵌了很多演算法，應該基於並行架構做了很多優化，似乎也是一種選擇，以前做過幾度交往圈，速度的確很快，但使用資料屈指可數，還需要老外的支援。

傳統的數據挖掘工具也不甘人後，SPSS現在有IBM SPSS Analytic Server，加強了對於大數據hadoop的支撐，業務人員使用反饋還是不錯的。

也許未來機器學習也會形成高低搭配，高端用戶用spark，低端用戶用SPSS，也是要適應不同的應用場景。

深度學習現在漸成潮流，TensorFlow是個選擇，公司當前也部署了一套，希望有機會使用，往人工智慧方向演進是大勢所趨。

無論如何，工具僅僅是工具，最終靠的還是建模工程師駕馭能力。

4、數據開放層，也處在一個戰國時代。

有些工程師直接將HIVE作為查詢輸出，雖然不合理，也體現出計算和查詢對於技術能力要求完全不同，即使是查詢領域，也需要根據不同的場景，選擇不同的技術。

HBASE很好用，基於列存儲，查詢速度毫秒級，對於一般的百億級的記錄查詢那也是能力杠杠的，具有一定的高可用性，我們生產上的詳單查詢、指標庫查詢都是很好的應用場景。但讀取數據方面只支援通過key或者key範圍讀取，因此要設計好rowkey。

Redis是K-V資料庫，讀寫速度比HBASE更快，大多時候，HBASE能做的，Redis也能做，但Redis是基於內存的，主要用在key-value 的內存緩存，有丟失數據的可能，當前標籤實時查詢會用到它，合作過的互聯網或廣告公司大多採用該技術，但如果數據越來越大，那麼，HBASE估計就是唯一的選擇了？

另外已經基於IMPALA提供互聯網日誌的實時線上查詢應用，也在嘗試在行銷平台採用SQLFire和GemFire實現分布式的基於內存的SQL關聯分析，雖然速度可以，但也是BUG多多，引入和改造的代價較大。

Kylin當前算是基於hadoop/SPARK的多維分析的殺手級工具，應用的場景非常多，希望有機會使用。

5、數據應用層，百花齊放吧。

每個企業應根據自己的實際規劃自己的應用，其實搞應用藍圖很難，大數據架構越上層越不穩定，因為變化太快，以下是運營商對外變現當前階段還算通用的一張應用規劃圖，供參考：

6、數據管理層，路漫漫其修遠兮

大數據平台的管理有應用管理和系統管理之分，從應用的角度講，比如我們建立了DACP的可視化管理平台，其能適配11大搭數據技術組件，可以實現對各類技術組件的透明訪問能力，同時通過該平台實現從數據設計、開發到數據銷毀的全生命周期管理，並把標準、質量規則和安全策略固化在平台上，實現從事前管理、事中控制和事後稽核、審計的全方位質量管理和安全管理。

其它諸如調度管理、元數據管理、質量管理當然不在話下，因為管住了開發的源頭，數據管理的複雜度會大幅降低。

從系統管理的角度看，公司將大數據平台納入統一的雲管理平台管理（私有雲），雲管理平台包括支援
一鍵部署、增量部署的可視化運維工具、面向多租戶的計算資源管控體系（多租戶管理、安全管理、資源管理、負載管理、配額管理以及計量管理）和完善的用戶許可權管理體系，提供企業級的大數據平台運維管理能力支撐，當然這麼宏大的目標要實現也非一日之功。

總結下大數據平台的一些革命性價值。

大數據時代，大多數企業的架構必然向著分布式、可擴展及多元化發展，所謂合久必分，不再有一種技術能包打天下了， 這衝擊著傳統企業集中化的技術外包模式，挑戰是巨大的。

大數據及雲計算時代，面多這麼多技術組件，要採用一項新的技術，機遇和風險共存：

對於大數據平台的商業版本，企業面對的是合作夥伴的服務跟不上，因為發展太快，對於開源版本，企業面臨的是自身運維能力和技術能力的挑戰，對於自主能力實際要求更高。

當前BAT、華為、新型互聯網等企業在風捲殘雲般的席捲人才， 對於諸如運營商等大型企業的人才挑戰是巨大的，但同時也蘊含著機會， 事實上，對於致力於搞大數據的人來講，來運營商等企業搞也是不錯的選擇，因為一方面企業在轉型，另一方面數據量夠大，技術主導的機會更多。

文 | 傅一平

喜歡這篇文章嗎？歡迎分享按讚，給予我們支持和鼓勵！