[[123691]]

在大數(shù)據(jù)的時(shí)代，數(shù)據(jù)的價(jià)值不言而喻。但是真正有價(jià)值的并非數(shù)據(jù)本身而是對數(shù)據(jù)進(jìn)行分析挖掘后的分析。對如今雨后春筍的互聯(lián)網(wǎng)公司來說，當(dāng)數(shù)據(jù)足夠多、足夠全面，他們甚至可以為用戶畫一幅數(shù)據(jù)肖像。現(xiàn)在幾乎所有的行業(yè)都在談大數(shù)據(jù)，然而隨著移動(dòng)端的流量超越PC端，移動(dòng)互聯(lián)網(wǎng)的數(shù)據(jù)就成為大數(shù)據(jù)中不可忽略的重要部分。

51CTO在2014年12月6日即將召開的2014 Spark亞太峰會(huì)前夕TalkingData研發(fā)副總裁閻志濤，為大家解讀互聯(lián)網(wǎng)數(shù)據(jù)的秘密。

在偏于碎片化的移動(dòng)互聯(lián)網(wǎng)數(shù)據(jù)中，閻志濤認(rèn)為“數(shù)據(jù)主要分為設(shè)備信息，應(yīng)用行為信息，位置信息，傳感器信息這四大類”。

而其中的應(yīng)用行為信息在一定程度上可以反映用戶的習(xí)慣。而位置信息可以更加準(zhǔn)確的獲得用戶的位置對于O2O模式有著重要的意義。隨著智能硬件的爆發(fā)和普及，傳感器的數(shù)據(jù)信息更為重要。筆者在之前采訪一位做智能硬件的CEO時(shí)他也說道，傳感器就像智能硬件的大腦。所以對于智能硬件的數(shù)據(jù)收集、分析、挖掘，是智能硬件能否真正智能的關(guān)鍵。

閻志濤說：”智能硬件相比于軟件的信息更加瑣碎，相比于移動(dòng)應(yīng)用的依附于手機(jī)而存在的方式，智能硬件更加不容易普及。換句話說，每種智能硬件智能覆蓋一小部分用戶群體，然而真正的意義在于如何能夠把每個(gè)小部分群體的數(shù)據(jù)收集起來做一次整合，那樣才能發(fā)揮***的價(jià)值。“

但是在筆者看來目前智能硬件因?yàn)樾酒膬r(jià)格導(dǎo)致成本居高不下，而且并沒有殺手級的應(yīng)用出現(xiàn)。想替代傳統(tǒng)的硬件設(shè)備，尚需時(shí)日。而隨著智能手機(jī)的普及程度，以及手機(jī)硬件的配置增加，殺手級的移動(dòng)應(yīng)用、火爆的手機(jī)游戲卻是頻頻出現(xiàn)。

”從數(shù)據(jù)方面來看像淘寶、京東、唯品會(huì)這樣的電商應(yīng)用都會(huì)有不少的用戶群，而類似于360手機(jī)助手，Wifi***鑰匙的工具類應(yīng)用，因?yàn)槠渥陨韮r(jià)值也有一定的用戶群。從目前來看手機(jī)游戲中一些社交類，休閑類的游戲會(huì)有比較高的用戶群。“閻志濤告訴記者

2012年TalkingData Analytics上線，僅僅兩年唯品會(huì)、滴滴打車、聚美優(yōu)品、去哪兒都成為了它們的用戶，在移動(dòng)端的覆蓋量也達(dá)到了8億以上。

那么在處理如此龐大的數(shù)據(jù)的分析和挖掘時(shí)他們所選用的的框架如何處理這么海量的數(shù)據(jù)？

閻志濤告訴記者：現(xiàn)在每天要處理好幾個(gè)T的數(shù)據(jù)，分為離線和實(shí)時(shí)兩條線。在離線方面最初選用的是典型的Hadoop的生態(tài)系統(tǒng)，通過小時(shí)或者幾個(gè)小時(shí)的任務(wù)來保證最終數(shù)據(jù)一致性。然而在實(shí)時(shí)方面，由于用戶的需求比較特殊，我們基于Redis來實(shí)現(xiàn)我們的實(shí)時(shí)統(tǒng)計(jì)。隨著業(yè)務(wù)的發(fā)展，我們做了一個(gè)TD2.0的平臺，它比離線的更優(yōu)秀，通過小批量的計(jì)算，完成準(zhǔn)實(shí)時(shí)的數(shù)據(jù)體現(xiàn)。而離線系統(tǒng)則逐漸的切換到以Spark為基礎(chǔ)的一個(gè)數(shù)據(jù)處理平臺。

其實(shí)在2012年Spark出現(xiàn)之初就因?yàn)槠浞奖愕刂С值\(yùn)算，對機(jī)器學(xué)習(xí)更友好的特點(diǎn)受到關(guān)注。閻志濤也提到：”是TalkingData的算法工程師最早使用Spark做迭代運(yùn)算，接著把平臺業(yè)務(wù)也在向上面做遷移。Spark相對Hadoop就是可以更好地進(jìn)行迭代運(yùn)算，以及及時(shí)請求的延時(shí)計(jì)算。最重要的是他的生態(tài)系統(tǒng)相比Hadoop更適合現(xiàn)在大數(shù)據(jù)分析的需求。“

然而在運(yùn)算的容錯(cuò)率，效率上，閻志濤說：”就我個(gè)人的使用情況來看，在一些方面Spark要優(yōu)于Hadoop。因?yàn)镠adoop對IO存在一種高依賴，所有的東西都要放到IO上shuffle出去放到磁盤再讀取進(jìn)來，這樣導(dǎo)致不能很好的利用機(jī)器的計(jì)算能力。而Spark本身RDD的模型能夠很好的減少對IO的依賴，充分利用內(nèi)存，從而提升了性能。“

但國內(nèi)的JAVA程序員使用Spark需要一個(gè)學(xué)習(xí)Scala的曲線。雖然Spark存在一些問題，但是互聯(lián)網(wǎng)公司生來就是為了解決問題的。

無論是Hadoop還是Spark，都是一種開源的技術(shù)并沒有高下之分。作為企業(yè)或者開發(fā)者需要擇其長處而用之。實(shí)際上，現(xiàn)在一些社區(qū)和論壇上出現(xiàn)了讓Hadoop和Spark融合的聲音。

閻志濤同樣認(rèn)為：目前這就是一種融合的狀態(tài)，現(xiàn)在TalkingData一些即時(shí)計(jì)算需求、一些請求，都在用Spark做，一些基于Hadoop的生態(tài)系統(tǒng)也在往Spark上遷移。

Spark在國內(nèi)出現(xiàn)的時(shí)間不如Hadoop長，一些公司也越來越注重Spark的發(fā)展。閻志濤也說：”國內(nèi)有一個(gè)叫Spark Meetup的一個(gè)社區(qū)，每一期都我們在參與，參加的人也是越來越多。現(xiàn)在像百度、京東、騰訊這些巨頭都在做Spark也越發(fā)的重視Spark畢竟Hadoop相對于Spark還是有那么一點(diǎn)點(diǎn)的老久不太適用于某些場景。可以說Spark在國內(nèi)越來越熱，發(fā)展也會(huì)越來越好。”

但是作為新興的技術(shù)，必然也會(huì)有一些不足。拋開這項(xiàng)技術(shù)本身不說，因?yàn)閲鴥?nèi)畢竟是中文環(huán)境雖然有一些熱心的人寫博客，做翻譯，但是中文的資料還是供不應(yīng)求。所以需要更多的開發(fā)投入到Spark的建設(shè)之中。

都在說去IOE，TalkingData的技術(shù)團(tuán)隊(duì)很多核心成員都來自于IBM和Oracle在開源的問題上IBM和Oracle卻是兩種不同的態(tài)度。閻志濤表示，雖然我們的大部分成員來自IBM和Oracle這種傳統(tǒng)的軟件公司，但是畢竟現(xiàn)在是在互聯(lián)網(wǎng)企業(yè)，用的也是互聯(lián)網(wǎng)的開發(fā)方式。其實(shí)IBM和Oracle兩家公司對于開源的態(tài)度也不太一樣。IBM相對于Oracle對于開源的態(tài)度就要開放的多。我們是以開源為主的，雖然用的數(shù)據(jù)庫是Apache并不會(huì)強(qiáng)制要求我們再開回去，當(dāng)我們認(rèn)為自己做的夠好的時(shí)候，我們就會(huì)開回去。我也會(huì)要求我們的工程師把代碼放到開源的社區(qū)里邊，提高代碼質(zhì)量。明年我們團(tuán)隊(duì)就會(huì)有更多的人員活躍到開源社區(qū)當(dāng)中。

無論是哪一種開源技術(shù)，都是千萬人智慧的結(jié)晶。Spark也不例外，但是國內(nèi)的開源現(xiàn)狀并不樂觀甚至是一種半死不活的狀態(tài)，還被外國人詬病只進(jìn)不出。

對此閻志濤告訴記者，的確在以前我們的開源做的不是很好，但是現(xiàn)在比如淘寶和騰訊就把他們的一些技術(shù)開源了，我相信過國內(nèi)更多的企業(yè)逐漸的回去開源。就我了解Spark社區(qū)，里邊有很多很活躍的來自中國的Contributor。我相信以后也會(huì)有越來越多的貢獻(xiàn)。

他也希望團(tuán)隊(duì)的產(chǎn)品做得稍微好一點(diǎn)的時(shí)候，我們再開出去。因?yàn)檫@樣會(huì)更有價(jià)值，如果產(chǎn)品價(jià)值沒那么大，就會(huì)變成半死不活的狀態(tài)，甚至是喪失價(jià)值。所以我們現(xiàn)階段努力把產(chǎn)品做好，預(yù)計(jì)在在2015年可能會(huì)把它變成一個(gè)開源項(xiàng)目。

在智能硬件頂著改變生活的光環(huán)出現(xiàn)的時(shí)候，大數(shù)據(jù)就成為讓其不跌落神壇的保障。無論是Spark還是Hadoop，都需要順應(yīng)時(shí)下的要求。取長補(bǔ)短，擇其優(yōu)者而用之。