Hadoop教程：Hadoop令开发者纠结的十件事

---

开源数据处理平台Hadoop在大数据时代的今天有着非常广泛的应用。著名的大象图标遍布各行各业，从医疗记录到银行交易，从车票预定到房屋租赁，乃至很多科学数据处理，都可以见到Hadoop的身影。

在Hadoop生态繁荣的背后，是开发者们夜以继日的开发与支持。而在用户得益甚至赞赏这些应用的时候，开发者们却不得不面对Hadoop平台中一些可用性较差的地方。本文列举了网络上一些关于Hadoop的缺点，供大家探讨，部分观点来自及开发者博客。

1、 平台尚未成熟

虽然用途广泛，但不得不承认的是，Hadoop目前仍在开发阶段。很多数据结构都不全，比如Hadoop一直不支持原生datatime数据类型，最近才在时间序列数据开发者的强烈建议下下引入此数据类型。其次，技术支持并不到位，无论是Google还是Stack Overflow上寻找的答案，都不足以解决开发者遇到的问题。

2、 数据模式模糊不清

Hadoop目前对模式（Schema）的描述并不清晰，很多开发者在撰写Pig脚本的过程中，会花费超过50%的时间在调试对Schema的支持上。

3、 Pig和Hive无法互通

Hive和Pig用起来完全是两个东西。熟悉SQL的开发者可以在Hive中使用类似的脚本，但是在Pig中却不得不重新学习其语法。在Pig中无法使用Hive的UDFS，也无法使用HCatalog访问Pig的Hive表。反过来，无法在Hive中使用Pig的UDFS。这让开发者在两者切换使用的过程中颇为纠结，需要耗费精力重新撰写脚本来完成已有的工作。

4、 HDFS存储共享函数库

鉴于Hadoop的复用机制，一旦开发者将Pig脚本保存于HDFS，那么Hadoop将自动认为所有的JAR包的存储方式都应如此。通常情况下，这样的做法并无问题，但是有时候，当一个项目需要维护大量共享库的时候，这就变得非常复杂。而且，大部分时间JAR包通常都在安装客户端的时候一并安装过，Hadoop这种存储方式使得JAR包多次存储。据悉，脚本存储的问题Pig新版本已修正，但是共享函数库存储的问题却仍然存在。

5、 报错信息不完整

这几乎是Hadoop系列工具的通病，经常在出了问题的时候，返回一个“运行失败，无更多错误信息”这样的报错提示，使得开发者无法进行更进一步的错误调试。还有，Hadoop经常会抛出一些无法找到指针的异常（NPE），而这些问题则是由文件解析之类的操作造成，并不能属于NPE范畴。另外，由于采用UDFS，导致很多报错最终以udf执行错误的样子呈现给开发者，而它们可能仅仅是语法错误或者类型错误。

6、 不兼容的安全机制

开发者经常会听到这样的说法：“已经有足够多的案例证明，想要保证Hadoop的安全性，建议使用Kerberos，LDAP直白易用。”但是现状就是，Hadoop平台并未对此有友好的集成：没有SAML、没有OAuth，也没有很好的安全验证机制（开发者只能时不时的无奈面对再一次出现的登录窗口）。更有意思的是，Hadoop平台中很多组件都自己支持LDAP，且彼此不考虑兼容性。

7、 难以开发的LDAP连接器

对开发者来讲，用Java成功完成一个能用的LDAP连接器，至少需要修改上百次代码。而反过来看看完成的代码，连接器的功能还不完善。实际上，开发者们能感觉出Knox有点像一时冲动的产物。毕竟用Apache配置mod_rewrite模块就能完成的事情，非要用Java再写一遍，的确是让开发者头痛的事情。

8、 难以扩展的Hive表管理

如果开发者使用Hive进行表管理的话，在Hive执行了drop表命令后，会自动将表删除。但是如果这个表是外部的话，则不会自动删除。为什么Hive不能将这两个表同样对待呢？此外，既然Hive现在有向RDBMS发展的趋势，为什么不增加Update和Delete？

9、 不兼容的Namenode

Hadoop的很多组件，如Oozie、Knox等，都不遵循新的Namenode HA。开发者可以做一个HA Hadoop，前提是他完全不想使用其他组件。

10、 出错的文档

Hadoop的文档存在很多问题，开发者经常会发现文档的示例代码中有问题，有一些文档本身都没有遵循Hadoop的模式设计。鉴于这些文档在互联网上流传广泛，应该有相当一批人学习并尝试，因此都会遇到并纠结于这些错误。实际上，有些错误是完全可以避免的，只要文档的撰写人在完成文档的同时，自己动手运行一下示例代码。比如Oozie文档中充斥着大量过去版本的样例代码，开发者遇到错误的时候，很可能不是自己程序写错了，而是由于Oozie版本更替而导致之前教程中的函数不兼容造成，比如协议问题、模式有效性问题等等。有人形容Oozie，称其类似Ant和Maven，只是没有任何调试手段，而且代码非常善变。

此外，在Hadoop平台的适用范围方面，它对实时数据访问支持并不好，也无法高效存储大量小文件，而且目前尚不支持多用户。

作者 张天雷