市场上很多玩家已经建造了MapReduce工作流用来日常处理兆兆字节的历史数据。但是谁愿意等待24小时来拿到更新后的分析报告?这篇博客会向你介绍Lambda Architecture，它被设计出来既可以利用批量处理方法，也可以使用流式处理方法。这样我们就可以利用Apache Spark(核心, SQL, 流)，Apache Parquet，Twitter Stream等工具处理实时流式数据，实现对历史数据的快速访问。代码简洁干净，而且附上直接明了的示例!
Apache Hadoop: 简要历史
Apache Hadoop的丰富历史开始于大约2002年。Hadoop是Doug Cutting创立的, 他也是Apache Lucene这一被广泛使用的文本检索库的创造者. Hadoop的起源与Apache Nutch有关, Apache Nutch是一个开源的web搜索引擎, 本身也是Lucene项目的一部分. Apache Nutch在大约10年前成为一个独立的项目.
事实上,许多用户实现了成功的基于HadoopM/R的通道,一直运行到现在.现实生活中我至少能举出好几个例子:
- Oozie协调下的工作流每日运行和处理多达8TB数据并生成分析报告
- bash管理的工作流每日运行和处理多达8TB数据并生成分析报告
现在是2016年了
商业现实已经改变，所以做出长远的决定变得更有价值。除此以外，技术本身也在演化进步。Kafka, Storm, Trident, Samza, Spark, Flink, Parquet, Avro, Cloud providers等时髦的技术被工程师们和在商业上广泛使用.
因此，现代基于Hadoop的 M/R通道 (以及Kafka，现代的二进制形式如Avro和数据仓库等。在本例中Amazon Redshift用作ad-hoc查询) 可能看起来像这样:
以上M/R通道看起来很不错，但是它仍然是传统上具有许多缺点的批处理。由于在新数据不断进入系统时，批处理过程通常需要花费很多时间来完成，它们主要是提供给终端用户的乏味的数据罢了。
Lambda 架构
Nathan Marz为通用，可扩展和容错性强的数据处理架构想出了一个术语Lambda架构。这个数据架构结合了批处理和流处理方法的优点来处理大批量数据。
我强烈推荐阅读 Nathan Marz 的书 ，这本书从源码角度对Lambda架构进行了完美的诠释。
层结构
从顶层来看，这是层的结构：
所有进入系统的数据被分配到了批处理层和高速层来处理。批处理层管理着主数据集(一个不可修改，只能新增的原始数据)和预计算批处理视图。服务层索引批处理视图，因此可以对它们进行低延时的临时查询。高速层只处理近期的数据。任何输入的查询结果都合并了批处理视图和实时视图的查询结果。
焦点
许多工程师认为 Lambda架构就包含这些层和定义数据流程，但是 Nathan Marz在他的书中把焦点放在了其他重要的地方，如：
- 分布式思想
- 避免增量架构
- 关注数据的不可变性
- 创建再计算算法
- 数据的相关性
正如前面所提到的，任何输入的查询结果都会从批处理视图和实时视图的查询结果返回，因此这些视图需要被合并。在这里，需要注意的一点是，一个实时视图是上一个实时视图和新的数据增量的函数，因此一个增量算法可以在这里使用。批处理视图是所有数据的视图，因此再计算算法可以在这里使用。
均衡取舍
我们生活中的一切问题都存在权衡，Lambda架构(Lambda Architecture)不例外。 通常，我们需要解决几个主要的权衡：
完全重新计算vs.部分重新计算
某些情况下，可以考虑使用Bloom过滤器来避免完全重新计算
重算算法 vs. 增量算法
使用增量算法是个很大的诱惑，但参考指南，我们必须使用重算算法，即使它更难得到相同的结果
加法算法 vs. 近似算法