Coursera 数据工程师分享大数据的迷离身世

“大数据”一词这几年来火爆异常，出镜率爆表，那么究竟什么才是大数据呢？你是否对他的了解只是“闻其名”，却未“知其人”呢？现在，这篇由硅谷在线教育公司 Coursera 数据工程师（也曾在百度、LinkedIn 等公司工作）的干货文章将为你详细介绍“大数据”的迷离身世。

硅谷在线教育公司 Coursera 数据工程师董飞准备在硅发布平台开讲了，课程第一系列《大数据入门》。董飞也曾在百度、LinkedIn 等公司工作。

在硅谷，大家非常热情地谈创业谈机会，我也通过自己观察和积累，看到不少最近几年涌现的热门创业公司。我先给大家一个列表，这是华尔街网站全世界创业公司融资规模的一个评选，它本来标题是“十亿美金俱乐部”，可以看出不到一年时间，截至今年 1 月 17 日，排名和规模已经发生很大变化。

首先，估值在十亿美金的公司达到 7 家，而一年前都没有；第二，第一名是中国的小米；第三，前 20 名中，绝大多数（八成在美国，在加州，在硅谷，在旧金山！）比如 Uber、Airbnb、Dropbox、Pinterest；第四，里面也有不少相似模式成功的，比如 Flipkart 就是印度市场的淘宝，Uber 与 Airbnb 都是共享经济的范畴。

所以，大家还是可以在移动（Uber）、大数据（Palantir）、消费级互联网、通讯（Snapchat）、支付（Square）及 O2O App 里寻找大机会。这里面，很多公司我都曾面试和感受过他们环境，下面有机会我也会给大家一一详细介绍。

第二，在 Linkedin，每年会评选一个最有需求的创业公司名单，基本是结合 Linkedin 用户访问量和申请数做出的挖掘。下面，我列出最近 3 年数据，大家可以做个判别和趋势分析。

里面还是很靠谱的，比如不少上榜名单已成功 IPO（GoPro、Hortonworks、Splunk），里面有很多大数据领域公司（Splunk，、Box，、Nimble Storage、Violin Memroy， Dropbox），而除了之前看到的一些互联网项目，在一些医疗健康（Theranos）、智能硬件（Leap motion、Fitbit、Jawbone）、在线教育（Coursera）也吸引很大注意力。

第三，看了那么多高估值公司，很多人都觉得非常疯狂，是不是很大泡沫了，泡沫是不是要破了，这是很多人的疑问。在硅谷这个充满梦想的地方，投资人鼓励创业者大胆去发展同样也助长泡沫，很多项目在几个月时间估值就会翻 2、3 倍，例如在 Uber、Snapchat 上，我也惊讶他们的巨额融资规模和颠覆速度。

下面这张图，就是讲新事物的发展规律，这是硅谷孵化器 YCombinator 公开课 How to start a startup 提到的。一个新 Idea 加上一点点原型，就会迅速吸引眼球，然后先驱者引发潮流，在大众爆发把泡沫吹到极致，接下来就是各种负面质疑，名声一落千丈，而这时离 Peak 也许才过去几个月。

但这东西本质没有变，从“看山不是山”到“看山还是山”，这段重心回归到产品上重新积累用户，然后就到了可持续增长的健康轨道上。从 Quora 网站流量、Tesla 股票到比特币，你都发现它们惊人的匹配这张图的某个节点。背后不变的是人性，举例在牛市，大家都很容易挣钱，但只有熬过最痛苦的时代（比如金融危机），才能体会事物发展本质和踏实的意义。

第四，未来趋势是什么？大家都很关心。我先提最近看的一部电影《Imitation Game》，它讲的是计算机逻辑奠基者艾伦图灵艰难的一生，当年为破译德军密码制作了图灵机为二战胜利作出卓越贡献，挽回几千万人的生命，可在那个时代因为同性恋被判化学阉割，自杀结束了短暂的 42 岁生命。

他的一个伟大贡献就是在人工智能的开拓，他提出图灵测试（Turing Test），测试某机器是否能表现出与人等价或无法区分的智能。我们现在回到今天，人工智能已有很大进步，从专家系统到基于统计的学习，从支持向量机到神经网络深度学习，每一步都带领机器智能走向下一个阶梯。

谷歌资深科学家吴军博士提出当前技术发展的三个趋势：第一，云计算和和移动互联网，这是正在进行时；第二，机器智能，现在开始发生，但对社会的影响很多人还没意识到；第三，大数据和机器智能结合，这是未来时，一定会发生，有公司在做，但还没太形成规模。

他认为未来机器会控制 98% 的人，而现在我们就要做个选择，怎么成为剩下的 2% ？李开复在 2015 年新年展望也提出未来五年物联网带来庞大创业机会。

大数据入门

接下来，我讲一讲大数据入门。先来做个思考，以前有个国王很阔绰也很爱排场，有天，他很高兴想奖赏他的宠臣，然后说，让他来提任何奖励。

这个大臣给国王看下面这个棋盘，是个 8*8 的方格，如果我在每个标号的格子内放米粒，第一个格子放 1 粒米，后面格子总是前面格子的两倍。那么问题来了，如果我把整个棋盘放满，需要多少米粒？

我们学过级数的话，可以快速做个演算，它的推演是 1 + 2 + 4 …… + 2^63 = 2^64 - 1 .这个数字多大很多人没印象，反正如果真要兑现的话，这个国家肯定是破产了。

其实我把这个棋盘分成上下两半，在上一半总共需要的米粒是 2^32，这并不是个很大的数，其实前几年计算机的 32 位就是那么大，但下半场就完全不一样了，这是个平方级别的规模，我下面会给大家一个交代。现在大家也经常听到什么手机 64 位处理器，并无实际意义。

我们接着看看这张曲线图是信息时代的增长，其实工业革命前（1820 年），世界人均 GDP 在 1800 年前的两三千年里基本没变化，而从 1820 年到 2001 年 180 年里，世界人均 GDP 从原来 667 美元增长到 6049 美元。

由此足见，工业革命带来的收入增长的确翻天覆地。这里面发生了什么？大家可以思考一下。但人类的进步，并没停止或者说稳步增长，在发明了电力、电脑、互联网、移动互联网，全球年 GDP 增长 从万分之 5 到 2%，信息也是在急剧增长。根据计算，最近两年信息量是之前 30 年总和，最近 10 年是远超人类所有之前累计信息量之和。

在计算机时代，有个著名摩尔定律，就是说同样成本每隔 18 个月晶体管数量会翻倍，反过来，同样数量晶体管成本会减半。这个规律已经很好匹配了最近 30 年的发展，并且可以衍生到很多类似领域：存储、功耗、带宽、像素。

而最下面这个头像是冯诺伊曼，20 世纪最重要数学家之一，在现代计算机、博弈论和核武器等诸多领域有杰出建树的最伟大科学全才之一。他提出技术会逼近人类历史上某种本质的奇点，在那后，全部人类行为都不可能以我们熟悉的面貌继续存在。

这就是著名的“奇点理论”，目前会呈越来越快的指数性增长，美国未来学家 Ray Kurzweil 称：人类能在 2045 年实现数字化永生，他自己也创办奇点大学，相信随信息技术、无线网、生物、物理等领域的指数级增长，将在 2029 年实现人工智能，人的寿命也将会在未来 15 年得到大幅延长。

我们再回到现在，地球上至今的数据量从 GB、TB、PB、EB 到达 ZB，我们之前提出的 2^64 就相当于 16EB 的大校

大数据有什么用？

所谓“学以致用”，大数据领域在各行业都可以应用，这里举几个有趣的例子。在 Linkedin 时，CEO 提出“经济图谱”的概念，希望整合用户、公司、工作机会、技能、学校和帖子变成一个复杂而有蕴含无限可能的数字化社会。

比如说找对象，有个国外极客，他抓取约会网站的数据，根据一些指标如地理、年龄、兴趣，建立下面的 3D 模型找到真爱；又如阿里巴巴通过数据魔方（它们的大数据产品），提炼出消费跟女生胸部成正比的结论。

在移动 App 上，今日头条通过你的个人社会化信息，建起兴趣图谱推荐文章并随你的使用会越来越聪明；在线教育领域：MOOC 中的 M 就是大规模的意思；其他如互联网金融人人贷，通过大数据积累信用，释放一些传统金融体系下未被满足而又广泛存在的巨大需求，最近也是拿到 1.3 亿美金融资。硅谷有家 Wealthfront 做大数据理财，23andMe 提供个人基因组的“大数据”等等。

大数据公司列表

下面是 2014 年别人总结的大数据公司列表，我们大致可以分成基础架构和应用，而底层都是会用到一些通用技术，如 Hadoop、Mahout、HBase 和 Cassandra，我在下面也会涵盖。

我可以举几个例子，在分析这块，Cloudera、hortonworks、mapr 作为 Hadoop 三剑客，一些运维领域，mangodb、couchbase 都是 nosql 代表，作为服务领域 AWS 和 Google BigQuery 剑拔弩张，在传统数据库，甲骨文收购了 MySQL、DB2 老牌银行专用，Teradata 做了多年数据仓库。

上面的 Apps 更多，比如社交消费领域的谷歌、亚马逊、Netflix、Twitter、商业智能：SAP、GoodData，一些在广告媒体领域：TURN、Rocketfuel，做智能运维 sumologic 等等。最后还有个去年的新星 Databricks 伴随着 Spark 的浪潮震撼 Hadoop 的生态系统。

大数据之中国公司

对迅速成长的中国市场，大公司也意味大数据，BAT 三家都是对大数据投入不惜余力，我 4 年前在百度时，百度就提出框计算的东东，最近两年成立硅谷研究院，挖来 Andrew Ng 做首席科学家，研究项目就是百度大脑，在语音、图片识别大幅提高精确度和召回率，最近还做了个无人自行车非常有趣。

腾讯作为最大社交应用对大数据也情有独钟，自己研发 C++ 平台的海量存储系统。淘宝去年双十一主战场，2 分钟突破 10 亿，交易额突破 571 亿，背后是有很多故事，当年在百度做 Pyramid（按谷歌三辆马车打造的金字塔三层分布式系统）有志之士，继续在 OceanBase 创造神话。

而阿里云当年备受争议，马云也在怀疑是不是被王坚忽悠，最后经历了双十一洗礼证明 OceanBase 和阿里云的靠谱。小米的雷军对大数据也是寄托厚望，一方面，这么多数据几何级数增长；另一方面存储带宽都是巨大成本，没价值就真破产。

大数据相关技术

大数据相关技术，最紧密的就是云计算，我列出主要是 Amazon Web Service 和 Google Cloud Platform，在国内还有阿里云、金山云、百度云、腾讯云、小米云、360 云、七牛……每个里面都是大量技术文档和标准，从计算到存储，从数据库到消息，从监控到部署管理，从虚拟网络到 CDN，把所有一切用软件重新定义了一遍。

先来讲亚马逊的云。我本人在亚马逊云计算部门工作过，所有还是比较了解 AWS，总体上成熟度很高，有大量创业公司都是基于上面开发，比如有名的 Netflix、Pinterest、Coursera.

亚马逊还是不断创新，每年召开 reInvent 大会推广新的云产品和分享成功案例，在这里面我随便说几个，像 S3 是简单面向对象的存储，DynamoDB 是对关系型数据库的补充，Glacier 对冷数据做归档处理，Elastic MapReduce 直接对 MapReduce 做打包提供计算服务，EC2 就是基础的虚拟主机，Data Pipeline 会提供图形化界面直接串联工作任务。

这边还可以说一下 Redshift，它是一种（Massively Parallel Computer）架构，是非常方便的数据仓库解决方案，就是 SQL 接口，跟各个云服务无缝连接，最大特点就是快，在 TB 到 PB 级别非常好的性能，我在工作中也直接使用，它还支持不同硬件平台，如果想速度更快，可以使用 SSD 的，当然支持容量就小些。

在数据库领域，我就列出三种代表，一类是关系型数据库管理系统，它的特点是 A（Atomic）、C（consistent）、I（isolation）、D（duration），连起来就是 ACID（酸）。简单说，就是支持事务回滚和外键关联，而 NoSQL 是与之对应的 Base（碱），所谓 Basic 可用，为了扩大 Scale，牺牲一些一致性和事务。而谷歌提出 F1，希望解决在大规模数据同时还要做到事务强一致性。在这里面都是非常常见的 NoSQL， 这些公司可能你都没听过，但它们都是融资过亿，估值都非常高，在几个 Billion 以上。

我会花一些篇幅介绍 Hadoop，首先看 Hadoop 从哪里开始的，不得不提谷歌的先进性，在 10 多年前，谷歌出了 3 篇论文论述分布式系统的做法，分别是 GFS、MapReduce、BigTable，非常牛逼的系统，但没人见过，在工业界很多人痒痒的，就想按其思想去仿作。

当时，Apache Nutch Lucene 作者 Doug Cutting 也是其中之一，后来他们被雅虎收购，专门成立团队去投入做，就是 Hadoop 的开始和大规模发展的地方，之后随着雅虎衰落，牛人去了 Facebook、谷歌，也有成立 Cloudera、Hortonworks 等大数据公司，把 Hadoop 的实践带到各个硅谷公司。

而谷歌还没停止，又出了新的三辆马车：Pregel、Caffeine 和 Dremel，后来又有很多步入后尘，开始新一轮开源大战。

那么为啥 Hadoop 就比较适合做大数据呢？首先扩展很好，直接通过加节点就可以把系统能力提高，它有个重要思想是：移动计算而不是移动数据，因为数据移动是很大的成本需要网络带宽。

其次，它提出的目标就是利用廉价普通计算机（硬盘），这样虽然可能不稳定（磁盘坏的几率），但通过系统级别上的容错和冗余达到高可靠性。并且非常灵活，可以使用各种data，二进制、文档型、记录型。使用各种形式（结构化、半结构化、非结构化所谓的schemaless），在按需计算上也是个技巧。

另一个问题，我们提到 Hadoop 一般不会说某个东西，而是指生态系统，在这里面太多交互的组件了，涉及到 IO、处理、应用、配置、工作流。在真正的工作中，当几个组件互相影响，你的头疼的维护才刚刚开始。

我也简单说几个：Hadoop Core 就三个 HDFS、MapReduce、Common，在外围有 NoSQL： Cassandra、HBase，有 Facebook 开发的数据仓库 Hive，有雅虎主力研发的 Pig 工作流语言，有机器学习算法库 Mahout，工作流管理软件 Oozie，在很多分布式系统选择 Master 中扮演重要角色的 Zookeeper.

下面是 Hortonworks 提出的数据平台，这个公司比较强势，它有最多的 Hadoop Committee 成员，是真正的标准制定者，而 2.0 就是由它们提出。

在 Hadoop 1.0 前，是 0.16 到 0.19、0.20，还有一只是 0.23 进化成现在的 2.0，应该说，现在大致都被 2.0 取代了，主要区别是 1.0 只能支持 MapReduce 框架、资源和数据处理限制在一起。

而 2.0 首先抽象出 Yarn 这个资源管理器，然后上层可以支持各种插件机制，便于扩展，Hortonworks 还研发了 Tez 作为加速引擎把一些相关任务合并共享或者并行来优化。

下面这个是英特尔给出的 Hadoop Stack，英特尔也是个对技术前沿由追求的公司，虽然它主业是处理器，但在互联网的时代，为抓住一些软件机会，它们也在积极融合，为生态系统做贡献。

另外，Cloudera 是老牌 Hadoop 公司，成立 7、8 年了，当年 Hadoop 之父就是在那做首席架构，它提出的 CDH 版本是很多公司的稳定 Hadoop 版本，一般公司也不会自己去搭 Hadoop 最新版，否则出了 Bug 会很痛苦，它提供了一个打包方便部署。

涉及技术细节甚至源代码

下面内容涉及技术细节甚至源代码，可能有些枯燥，我也尽量深入浅出。我们先说 HDFS，所谓 Hadoop 的分布式文件系统，它是能真正做到高强度容错。并且根据 locality 原理，对连续存储做了优化。

简单说，就是分配大的数据块，每次连续读整数个。如果让你自己来设计分布式文件系统，在某机器挂掉还能正常访问该怎么做？首先需要有个 master 作为目录查找（这里就是 Namenode），那么数据节点是作为分割好一块块的，同一块数据为了做备份不能放到同一个机器上，否则这台机器挂了，你备份也同样没办法找到。

HDFS 用一种机架位感知的办法，先把一份拷贝放入同机架上的机器，然后在拷贝一份到其他服务器，也许是不同数据中心的，这样如果某个数据点坏了，就从另一个机架上调用，而同一个机架它们内网连接是非常快的，如果那个机器也坏了，只能从远程去获龋这是一种办法，现在还有基于 erasure code 本来是用在通信容错领域的办法，可以节约空间又达到容错的目的，大家感兴趣可以去查询。

接着说 MapReduce，首先是个编程范式，它的思想是对批量处理的任务，分成两个阶段，所谓的 Map 阶段就是把数据生成 key、value pair 再排序，中间有一步叫 shuffle，把同样的 key 运输到同一个 reducer 上面去，而在 reducer 上，因为同样 key 已经确保在同一个上，就直接可以做聚合，算出一些 sum， 最后把结果输出到 HDFS 上。对应开发者来说，你需要做的就是编写 Map 和 reduce 函数，像中间的排序和 shuffle 网络传输，容错处理，框架已经帮你做好了。但据说，谷歌内部早不用这种，又有新的强大工具出现了。

HBase 就是对应的 BigTable 的克隆版，它是基于列的存储，可以很好的扩展型，这里面出现了 Zookeeper 作为它高可靠性的来源，我们在分布式系统中经常怕 Single Point of Failure，它能保证在少于一半节点损害情况下，还是可以工作的。

这里的 region server 是说把数据的 key 做范围划分，比如 region server1 负责 key 从 1 到 1w 的，region server2 负责 1w 到 2w 的，这样划分之后，就可以利用分布式机器的存储和运算能力了。

虽然 MapReduce 强大，但编写很麻烦，在一般工作中，大家不会直接写 MapReduce 程序。有人又开动大脑，简化开发。Hive 的简单介绍，它主要是 Facebook 开发，确实很容易上手，如果做 data scientist，经常也要用到这个工具。

我们想 MapReduce 模型有什么问题？第一：需要写很多底层的代码不够高效，第二：所有事情必须要转化成两个操作，这本身就很奇怪，也不能解决所有的情况。那么下面就看看有什么可以做的更好的。

Spark 介绍

我还是介绍一些 Spark 的起源。Berkeley AMPLab，发表在 hotcloud 是一个从学术界到工业界的成功典范，也吸引了* VC：Andreessen Horowitz 的注资。

AMPLab 这个实验室非常厉害，做大数据、云计算，跟工业界结合很紧密，之前就是他们做 mesos、hadoop online，在 2013 年，这些大牛（Berkeley 系主任、MIT 最年轻的助理教授）从Berkeley AMPLab 出去成立了 Databricks，引无数 Hadoop 大佬尽折腰，其实也不见得是它们内心这么想，比如 Cloudera 也有自家的 impala，支持 Spark 肯定会让它自家很难受，但如果你的客户强烈要求你支持，你是没有选择的

另外起名字也很重要，Spark 就占了先机，它们 CTO 说 Where There‘s Spark There’s Fire，它是用函数式语言 Scala 编写，Spark 简单说就是内存计算（包含迭代式计算，DAG 计算、流式计算 ）框架，之前 MapReduce 因效率低下大家经常嘲笑，而 Spark 的出现让大家很清新。Reynod 作为 Spark 核心开发者， 介绍 Spark 性能超 Hadoop 百倍，算法实现仅有其 1/10 或 1/100.

那为啥用 Spark 呢？最直接就是快啊，你用 Hadoop 跑大规模数据几个小时跑完，这边才几十秒，这种变化不仅是数量级的，并且是对你的开发方式翻天覆地的变化，比如你想验证一个算法，你也不知道到底效果如何，但如果能在秒级就给你反馈，你可以立马去调节。

其他的如比 MapReduce 灵活啊，支持迭代的算法，ad-hoc query，不需你费很多力气花在软件搭建上。如果说你用 Hadoop 组建集群、测试、部署一个简单任务要 1 周时间，Spark 可能只要一天。在去年的 Sort benchmark 上，Spark 用了 23 分钟跑完 100TB 的排序，刷新之前 Hadoop 保持的世界纪录。

下面这个图，是 Hadoop 跟 Spark 在回归算法上比较，在 Hadoop 世界里，做迭代计算是非常耗资源，它每次的 IO 序列画代价很大，所以每次迭代需要差不多的等待。而 Spark 第一次启动需要载入到内存，之后迭代直接在内存利用中间结果做不落地的运算，所以后期迭代速度快到可以忽略不计。

此外，Spark 也是一个生态系统，除核心组建 Spark，它也可以跑在 Hadoop 上，还提供了很多方便的库，比如做流式计算，Spark Streaming，比如 GraphX 做图的运算，MLBase 做机器学习，Shark 类似 Hive，BinkDB 也很有意思，为达到高效，它允许你提供一个误差概率，如果你要求精确度越低，它运算速度就越快，在做一些模糊计算时像 Twitter 的 Follower 数目，可以提高效率。

所以总体说，Spark 是一个非常精炼的 API，提供常用的集合操作，然后本身可以独立运行，或在 Hadoop Yarn 上面，或者 Mesos，而存储也可以用 HDFS，做到了兼容并包，敏捷高效。是不是会取代 Hadoop 或成为 Hadoop 的下一代核心，我们拭目以待！

如何学习大数据

那同学们如果问如何开始学习大数据，我也有一些建议，首先还是打好基础，Hadoop 虽然火热，但它的基础原理，都是书本上很多年的积累，像 Unix 设计哲学、数据库的原理；

其次是选择目标，如果你想做数据科学家，我可以推荐 Coursera 的数据科学课程，通俗易懂，学习 Hive、Pig 这些基本工具；如果做应用层，主要是把 Hadoop 的一些工作流要熟悉，包括一些基本调优；如果是想做架构，除能搭建集群，对各基础软件服务很了解，还要理解计算机的瓶颈和负载管理，Linux 的一些性能工具。

最后，还是要多加练习，大数据本身就是靠实践，你可以先按 API 写书上的例子，能够先调试成功，在下面就是多积累，当遇到相似问题能找到对应的经典模式，再进一步就是实际问题，也许周边谁也没遇到，你需要些灵感和网上问问题的技巧，然后根据实际情况作出最佳选择。