我一度是Hadoop的忠實擁護者。我喜歡它可以輕而易舉地處理PB級別的數據，喜歡它可以將運算擴展到數千個節點的分布式計算能力，也喜歡它存儲和加載數據的靈活性。但在經歷過一系列的探索與使用之后，我對Hadoop非常失望。

　　下面就是我為什么不使用Hadoop做數據分析的見解。

　　Hadoop只是一個框架，而非一種完備的解決方案。人們期望Hadoop可以圓滿地解決大數據分析問題，但事實是，對于簡單的問題Hadoop尚可，對于復雜的問題，依然需要我們自己開發Map/Reduce代碼。這樣看起來，Hadoop與使用J2EE編程環境開發商業分析解決方案的方式別無二致!

　　Pig和Hive都非常不錯，但卻受到架構的局限。Pig和Hive都是設計精巧的工具，它們可以讓人迅速上手，提高生產力。但它們畢竟只是一種工具，用于將常規的SQL或文本轉化成Hadoop環境上的Map/Reduce查詢。Pig和Hive受限于Map/Reduce框架的運作性能，尤其是在節點通信的情況下(如排序和連接)，效率更為低下。

　　沒有軟件成本，部署相對容易，但維護和開發的代價極大。Hadoop非常受歡迎的理由在于，我們可以自由的下載、安裝并運行。由于它是一個開源項目，所以沒有軟件成本，這使得它成為一種非常吸引人的解決方案，用于替代Oracle和Teradata。但是一旦進入維護和開發階段，Hadoop的真實成本就會凸顯出來。

　　擅長大數據分析，卻在某些特定領域表現不佳。Hadoop非常擅長大數據分析，以及將原始數據轉化成應用(如搜索或文本挖掘)所需的有用數據。但如果我們并不很清楚要分析的問題，而是想以模式匹配的方式探索數據，Hadoop很快會變得一塌糊涂。當然，Hadoop是非常靈活的，但需要你花費較長的時間周期去編寫Map/Reduce代碼。

　　并行處理的性能極佳，但不排除特例。Hadoop可以將數千個節點投入計算，非常具有性能潛力。但并非所有的工作都可以進行并行處理，如用戶交互進行的數據分析。如果你設計的應用沒有專門為 Hadoop集群進行優化，那么性能并不理想，因為每個Map/Reduce任務都要等待之前的工作完成。

　　綜上所述，Hadoop的確是一個令人震驚的計算框架，它可以進行大規模的數據分析。另一方面，這也意味著數據分析工作必須建立在大量的編程工作之上。