Twitter如何推动大数据的开源与民主化

Twitter最近在其大数据工具的开源上动作频频，最新开源的两个工具是Cassie——一个Scala客户端用于管理超过1000个的Cassandra集群节点，和Scalding——一个MapReduce框架用于简化Hadoop工作的创建。如果您还认为大数据是一种黑箱魔术，那么该换换脑筋了。

Twitter这两年一直活跃在开源第一线，因为需要处理海量数据，Twitter公开了很多数据处理工具。在Twitter开源的的项目中，包括Gizzard，一个中间件框架用于分布式数据库；FlockDB，一个图形数据库管理Twitter的社交图景；以及Storm，一个流处理引擎用于处理实时数据。

在Twitter最新发布的两个工具中，Scalding也许是最引人注目的，因为整个IT业都对Hadoop趋之若鹜。在Twitter工程师博客中，Twitter数据科学家Edwin Chen如是描述Scalding：

“Scalding是Twitter最近开源的一个内部部署的MapReduce框架。与（Apache）Pig类似的是，Scalding在MapReduce之上提供了一个抽象层，可以用简洁的句法编写大数据任务。与Pig不同的是，Scalding完全用Scala编写——这意味着Scala和JVM的功能已经内建。不再需要UDFs了，筒子们！

此外，Scalding不会强制你编写原生的Map和Reduce功能，它允许你使用自然代码…

Chen还演示了一些Scalding的一些简单应用例子，例如将人们的电影爱好与他们的Foursquare签到进行关联。在电影这个例子中，Chen演示了采集和解析各种数据所需的代码，以及在Hadoop中运行任务的简单命令。

Twitter的开源工作的意义不仅仅在于其对大数据民主化的推动。我们看到一个更宏大的趋势正在浮现——在创业公司、大型软件供应商以及Twitter这样的互联网企业的努力下，开源大数据工具的涌现正在使普通人也能完成大数据分析工作，而不再局限于那些头顶着数据科学家光环的人群。