Hadoop是当下流行的大数据并行计算体系，横向扩展、生态圈成熟等一直是它的主要特点。但这些特点当中，绝对不包含廉价。
可能你认为的低成本，实际上只是硬件和软件授权成本，而不是总体成本。在学习成本、开发成本、管理成本上Hadoop并不总是占优。现在伴随公有云技术的成熟，Hadoop甚至连硬件成本也不占优了。
Hadoop与阿里云MaxCompute的成本对比
国内做大数据，基本就这两个选择：自建Hadoop或者使用阿里云的MaxCompute（就是原来的ODPS）。像Amazon、Google、微软的大数据服务在国内基本处于不可用或者很难用的状态。这里，我们就来对比一下这两个主流的技术选型：
以企业拥有10TB数据为例，自建hadoop集群，则至少需要6台机器(3nodes+2NameNode+1jobtracker)，成本在20万左右。除此之外，还需要投入机房资源，网络设备和运维成本。这其中主要是运维成本，要知道一个运维人员的成本一年至少15万。这样，整体算下来要55万左右。
如果采用阿里云的MaxCompute，按照现在的报价，大约需要32160(存储费用)+45000(计算费用)=77160元。也就是说二者的成本差距在7倍以上。
按照Hortonworks首席技术官EricBaldeschwieler关于成本的陈述，就更为夸张：硬件成本只占Hadoop数据中心总成本的20%。
掀开Hadoop的盖子 这些隐性成本你需要知道
“Hadoop是一个框架，不是一个解决方案”——在解决大数据分析的问题上人们误认为Hadoop可以立即有效工作，而实际上对于简单的查询，它是可以的。但对于难一些的分析问题，Hadoop会迅速败下阵来，因为需要你直接开发Map/Reduce代码。出于这个原因，Hadoop更像是J2EE编程环境而不是商业分析解决方案。 所谓框架意味着你一定要在之上做个性化和业务相关的开发和实现，而这些都需要成本。
同时，因为Hadoop庞大的生态系统，也导致了学习成本奇高。目前Hadoop生态中包括了几十种相关的产品，常见的就有：MapReduce、HDFS、Hive、hbase、YARN、Zookeeper、Avro、JAQL、PIG、solr、mesos、shark、stream、storm。熟悉这些产品的部署步骤、功能特性、开发方法都需要付出高昂的学习成本。
有开发者评论说，“它变得好像是用一个锤子来建造一个房屋”，这并不是不可能，但是带来了“不必要的痛苦和可笑的低效成本”。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。