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佈式計算能力，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後，我對Hadoop非常失望。
下面就是我爲什麼不使用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，對於簡單的問題Hadoop尚可，對於複雜的問題，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，但卻受到架構的侷限。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，用於將常規的SQL或文本轉化成Hadoop環境上的Map/Reduce查詢。Pig和Hive受限於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），效率更爲低下。
- 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於，我們可以自由的下載、安裝並運行。由於它是一個開源項目，所以沒有軟件成本，這使得它成爲一種非常吸引人的解決方案，用於替代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。但如果我們並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很快會變得一塌糊塗。當然，Hadoop是非常靈活的，但需要你花費較長的時間週期去編寫Map/Reduce代碼。
- 並行處理的性能極佳，但也不是萬能的。Hadoop可以將數千個節點投入計算，非常具有性能潛力。但並非所有的工作都可以進行並行處理，如用戶交互進行的數據分析。如果你設計的應用沒有專門爲 Hadoop集羣進行優化，那麼性能並不理想，因爲每個Map/Reduce任務都要等待之前的工作完成。
