拨开SAP与Hadoop集成的迷雾

Hadoop很火，但究竟什么是Hadoop？实际上，它并不是一个具体的软件。Hadoop是Apache软件基金会的一个项目，它包含了多个核心工具，用来处理海量数据以及大型计算集群。围绕Hadoop，有一个庞大的生态系统，而且市面上也有很多打包好的商业解决方案，我们通常将其称为Hadoop发行版（Hadoop Distribution），比如Cloudera、Hortonworks、IBM以及MapR等。每一个发行版都提供了多种工具的组合，与开源版本相比，商业发行版更适合企业级的大数据应用。

我们要明确一个概念，就是没有一个工具或一套工具可以称为“Hadoop”，所以当厂商向你推销Hadoop的时候，你要对此提起注意。厂商可能会提供一个或多个Hadoop工具的集成，有时甚至一个都没有，所以许多用户会对选择Hadoop感到疑惑。本文要介绍的SAP就是其中之一，接下来我们就将深入地介绍一下SAP的软件是如何与Hadoop结合的。

首先，我们来给Hadoop下一个定义。正如上文所提到的，Hadoop包含了一系列的核心工具，即：

Hadoop分布式文件系统（HDFS），这是一个分布式的文件系统，可以运行在大型的集群当中，用来存储海量数据。其他的Hadoop工具都需要从HDFS中调取数据来进行处理。因此HDFS是Hadoop最核心的组件。

YARN（Yet Another Resource Negotiator）是Hadoop的核心集群资源管理框架。它是Hadoop2.0中最重要的组件之一，大部分（当然不是全部）的Hadoop生态系统工具都运行在YARN集群上。

MapReduce是对海量数据集进行并行处理的系统，它是在Google一篇论文基础上衍生出来的。虽然它是Hadoop最原始的组件，但有趣的是，许多商业版本提供商并没有直接使用MapReduce。

上面提到的只是Hadoop中最核心的组件，Hadoop生态系统中还包括很多实用工具，有些工具也是Apache软件基金会的项目，也有一些是其他开源项目。下面这些工具都是托管在Apache社区的：

Hive——我们可以把它视为Hadoop的数据仓库工具，Hive事实上是一个分布式数据库，它拥有数据定义和查询语言HQL，它与标准的SQL十分类似。Hive表可以完全由Hive来管理，或者它们也可以在HDFS和HBase等数据源上定义为“外部”表。因此，Hive往往是Hadoop生态系统的数据存储出入口。

Pig——它是一个编程语言和执行程序的平台，用来创建数据分析项目。

HBase——这是一个大规模并行的数据库，它也是根据Google BigTable论文衍生而来。

该图展示了SAP软件产品打通了哪些Hadoop工具，它只显示了数据访问的路径，并没有深入每一个工具的技术架构

其他的项目包括Spark（内存集群计算和流数据框架），Shark（Hive on Spark），Mahout（分析算法库），ZooKeeper（集中式信息维护服务），Cassandra（与HBase类似的数据库产品）。

那么，SAP的产品如何与这些Hadoop工具结合？产品的不同，其结合方式也会有所不同。目前为止，SAP在HANA、Sybase IQ、SAP Data Services以及BusinessObjects商业智能工具中都集成了Hadoop功能，但它们采取的方式有所区别。

SAP HANA和Sybase IQ都支持远程Apache Hive系统的转移查询，这使得用户在处理Hive数据库表的时候就像是在本地一样。在Sybase IQ中，这一功能称为“远程数据库”，在HANA中则是通过“智能数据访问（Smart DataAccess）”机制来实现的。Sybase IQ还支持MapReduce API来处理非结构化数据，除此之外，Sybase的数据库与Hadoop之间是无法打通的。

SAP BusinessObjects BI可以通过Universe的概念来支持Apache Hive模式的访问，它就像是连接其他数据库一样。这里需要注意的是，这种连接理论上是可以通过Hive的外部表概念访问多种不同的存储系统的，其中包括HBase，Cassandra以及MongoDB等。

上面所提到的SAP与Hadoop的结合只是针对Hive的，而通过HQL与Hive集成是最常见的，也是大多数厂商集成Hadoop的方式。但这与厂商所描绘的Hadoop系统深度集成是有所不同的。

SAP数据服务所做的比Hive集成更多。除了将数据从Hive当中导入导出之外，数据服务还可以直接创建并读取HDFS文件，同时做一些转换来使用Pig脚本实现一些操作。也就是说，数据可以直接在Hadoop集群当中进行联合与过滤，而无需再转移到特定的服务器上进行处理。SAP数据服务还可以将文本数据处理直接放到Hadoop集群上作为MapReduce任务来进行操作。所以SAP在Hadoop工具的深度集成方面，有着独特的优势。

最后提醒一下：Hadoop生态系统的发展是非常快的，而企业软件的发展却是比较滞后。根据SAP产品的生命周期介绍，目前只支持相对旧版本的Hive、Pig以及HDFS，一些新的功能改进，高可用性以及集群功能是不支持的。企业在进行选型的时候，需要仔细阅读厂商的支持文档，看看商业软件是否支持你想要的Hadoop工具。

原文链接：http://www.searchdatabase.com.cn/showcontent_82265.htm