什麼樣的大資料平臺架構，才是最適合你的？
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。
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，資料沒到那個份上，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。
大資料平臺架構的層次劃分沒啥標準，以前筆者曾經做過大資料應用規劃，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，這裡將大資料平臺劃分為“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資料架構圖都可以作一定的對映。
何謂五橫，基本還是根據資料的流向自底向上劃分五層，跟傳統的資料倉庫其實很類似，資料類的系統，概念上還是相通的，分別為資料採集層、資料處理層、資料分析層、資料訪問層及應用層。
同時，大資料平臺架構跟傳統資料倉庫有一個不同，就是同一層次，為了滿足不同的場景，會採用更多的技術元件，體現百花齊放的特點，這是一個難點。
- 資料採集層：既包括傳統的ETL離線採集、也有實時採集、網際網路爬蟲解析等等。
- 資料處理層：根據資料處理場景要求不同，可以劃分為HADOOP、MPP、流處理等等。
- 資料分析層：主要包含了分析引擎，比如資料探勘、機器學習、 深度學習等。
- 資料訪問層：主要是實現讀寫分離，將偏向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。
- 資料應用層：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，對內有精準營銷、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。
- 資料管理層：這是一縱，主要是實現資料的管理和運維，它橫跨多層，實現統一管理。
1、資料採集層，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，基於這個平臺，需要部署資料採集應用或工具。
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，小的網際網路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資料平臺的標配，估計主流就是FLUME+KAFKA，然後結合流處理+記憶體資料庫吧，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週期往往比較長。
除了用FLUME，針對ORACLE資料庫的表為了實現實時採集，也可以採用OGG/DSG等技術實現實時的日誌採集，可以解決傳統資料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，因為網際網路新增資料主要靠它，可以通過網頁的解析獲取大量的上網資訊，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，如果它未在你的大資料平臺規劃內，可以考慮一下，能拿的資料都不拿，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，需要基於網頁文字進行中文分詞，倒排序及文字挖掘等，這一套下來，挑戰很大，當前已經有不少開源元件了，比如solr、lucent、Nutch、ES等等，但要用好它，路漫漫其修遠兮。
總得來講，建設大資料採集平臺非常不易，從客戶的角度講，至少要達到以下三個要求：
- 多樣化資料採集能力：支援對錶、檔案、訊息等多種資料的實時增量資料採集(使用flume、訊息佇列、OGG等技術)和批量資料分散式採集等能力(SQOOP、FTP VOER HDFS)，比基於傳統ETL效能有量級上的提升，這是根本。
- 視覺化快速配置能力：提供圖形化的開發和維護介面，支援圖形化拖拽式開發，免程式碼編寫，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。
- 統一排程管控能力：實現採集任務的統一排程，可支援Hadoop的多種技術元件(如 MapReduce、Spark 、HIVE)、關係型資料庫儲存過程、 shell指令碼等，支援多種排程策略(時間/介面通知/手工)。
2、資料處理層，現在有個詞叫混搭，的確是這樣。
Hadoop的HIVE是傳統資料倉庫的一種分散式替代。應用在傳統ETL中的資料的清洗、過濾、轉化及直接彙總等場景很適合，資料量越大，它的價效比越高。但目前為止看，其支撐的資料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，比如企業客戶統一檢視寬表用HIVE做比較低效，因為涉及到多方資料的整合，但不是不可以做，最多慢點嘛，還是要講究個平衡。
hadoop到了X000臺叢集的規模也撐不住了,當前很多企業的資料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叢集的道路?諸如浙江移動已經拆分了固網、移網、創新等多個hadoop叢集。
Hadoop的SPARK的很適合機器學習的迭代，但能否大規模的應用於資料關聯分析，能否一定程度替代MPP，還需要實踐來驗證。
MPP應該來說，是採用分散式架構對於傳統資料倉庫最好的替代，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，資料倉庫的融合建模用它來做效能綽綽有餘，其價效比較傳統DB2更好一點，比如經過實用，Gbase30-40臺叢集就能超過2臺頂配的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。
大資料平臺的三駕馬車，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時代不可想象的實時、準實時資料倉庫場景，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，但其實資料量不大，用啥都可以，從應用的角度講，諸如IBM這種商業版本，是不錯的選擇，支撐各類實時應用場景綽綽有餘。
流處理叢集以流處理技術結合記憶體資料庫，用以實時及準實時資料處理，基於IBM Streams流處理叢集承載公司的實時業務：
3、資料分析層，與時俱進吧。
先談談語言，R和Python是當前資料探勘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，因此大規模資料的支撐有限。
筆者還是更關注分散式挖掘環境，SPARK是一種選擇，建議可以採用SPARK+scala，畢竟SPARK是用scala寫的，對很多原生的特效能夠快速支援。
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。
傳統的資料探勘工具也不甘人後，SPSS現在有IBM SPSS Analytic Server，加強了對於大資料hadoop的支撐，業務人員使用反饋還是不錯的。
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、資料開放層，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，基於列儲存，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槓槓的，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。但讀取資料方面只支援通過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是基於記憶體的，主要用在key-value 的記憶體快取，有丟失資料的可能，當前標籤實時查詢會用到它，合作過的網際網路或廣告公司大多采用該技術，但如果資料越來越大，那麼，HBASE估計就是唯一的選擇了?
另外已經基於IMPALA提供網際網路日誌的實時線上查詢應用，也在嘗試在營銷平臺採用SQLFire和GemFire實現分散式的基於記憶體的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、資料應用層，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，大資料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、資料管理層，路漫漫其修遠兮
大資料平臺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的視覺化管理平臺，其能適配11大搭資料技術元件，可以實現對各類技術元件的透明訪問能力，同時通過該平臺實現從資料設計、開發到資料銷燬的全生命週期管理，並把標準、質量規則和安全策略固化在平臺上，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。
其它諸如排程管理、元資料管理、質量管理當然不在話下，因為管住了開發的源頭，資料管理的複雜度會大幅降低。
從系統管理的角度看，公司將大資料平臺納入統一的雲管理平臺管理，雲管理平臺包括支援一鍵部署、增量部署的視覺化運維工具、面向多租戶的計算資源管控體系和完善的使用者許可權管理體系，提供企業級的大資料平臺運維管理能力支撐，當然這麼巨集大的目標要實現也非一日之功。
總結下大資料平臺的一些革命性價值。
大資料時代，大多數企業的架構必然向著分散式、可擴充套件及多元化發展，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。
大資料及雲端計算時代，面多這麼多技術元件，要採用一項新的技術，機遇和風險共存：
對於大資料平臺的商業版本，企業面對的是合作伙伴的服務跟不上，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。