大數據的4個V說法在業界已經盡人皆知，這是指的大數據本身的特征。現在我們來考察一下用于處理大數據的技術應該具有的特性。為方便記憶，類似4個V，我們把這些特性總結成4個E，用戶在選擇大數據技術解決方案時可作為參考。

1. Easy 大數據技術要足夠簡單易用

這個E很容易理解。

要進行大數據處理的場景很多，涉及工作人員也是各種各樣的。如果技術的難度太大，那會導致只有少數人能應用，而且實施復雜度較高，這樣大數據的應用就會大打折扣了。

大數據領域這種例子并不少，Hadoop剛出來時只有MapReduce，相對于完全用Java硬寫，MapReduce已經簡單了很多，所以會積累出一批擁躉。但MapReduce的難度仍然不小，所以逐步被后來封裝出來的HIVE SQL替代。Spark上的Scala也風靡過一陣，但難度仍然不少，目前也逐步歸于平靜，更多的人還是愿意使用更簡單的Spark SQL。

2. Elastic 大數據技術要具有彈性擴展能力

這個E也容易理解。

很多情況下，大數據并不是一下子就很大，而是逐步變大的。即使已經較大的數據，也還會進一步變得更大。因此要求大數據處理技術有一定的彈性擴展能力就是很自然的事情，這一點一般都不會被大數據技術提供商忽略掉。

當然，任何技術都有局限性，面向一般規模和面向超大規模的技術相差是很大的，不大可能有一種技術能夠有效適應數據規模從0到無窮大的各個階段(所謂有效適應是在各個階段該技術都能達到相當優良的性能，而不只是可以處理），用戶在選擇技術時還要對自己的數據規模變化范圍有一個預估。

3. Embeddable 大數據技術應可以被嵌入集成

這個E需要特別指出，常常不被重視。

大數據處理經常并不是一件獨立的事情，它需要和具體的應用配合工作才能發揮其業務價值，這些處理常常在應用執行到某個環節時就需要進行，這樣就要求相應的技術能夠被方便地嵌入集成到應用程序中，隨時隨地被主程序調用。

特別地，大部分應用程序建立在J2EE架構上，因而對Java應用的可集成性就是個特別重要的指標。一般基于Java或SQL體系的大數據技術在集成方面都沒太大問題，而其它技術體系的就難說了。而且，大多數大數據技術常常需要獨立部署，即使其計算能力可以被集成，但必須依賴于外部的獨立進程，不能被應用完全控制，有時會顯得非常累贅。

4. Environment-friendly 大數據技術對數據環境要求盡量低

這個E是很多大數據技術不具有但卻很重要的。

目前的大數據技術，如Hadoop和MPP等，都要求先把數據放進該技術規定的某種存儲體系中。這樣當然有意義，數據事先組織之后會獲得更高的性能。但是，經常的情況是，我們需要處理的大數據事先并不在這些存儲體系中，而且把外部數據搬進這些存儲體系本身也是一種大數據處理，這些場景下都無法利用這些大數據技術了。

更好的大數據技術應當能不挑數據源，隨便什么來源的數據都可以處理，只是有可能因為數據源的限制而一定程度地降低性能，但并不要求必須先做好ETL才能處理。

其實最后那個特性用E并不是很貼切，但為了湊4個E就對付了。這個詞本來是環保的意思，開放的大數據技術可以少復制一些數據，少部署一些硬件，省點電，也算環保吧。

總結

以上是生活随笔為你收集整理的大数据技术的4个E的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。