Hadoop 上的“SQL”非常重要，尽管我使用引号，因为说它类似于 SQL 可能更准确。将类似 SQL 的功能引入 Hadoop 的一些选项包括 Hue、Hive/bee（走向 Stinger？如此 punny Apache）、Impala、SparkSQL（考虑到并发问题的可能性，对于银行来说可能不是一个很好的解决方案）等等（似乎就像现在每个人都有自己的版本一样）

不过老实说，如果你问它是否有帮助，你可能不需要 Hadoop（在此之前很抱歉，这不是故意的）。很多地方都认为他们需要 Hadoop，但实际上很少有人需要Hadoop。有一些业务在技术上失败了，因为他们在真正不存在需求时过渡到它。如果您确实需要 Hadoop 或其他分布式系统，如果不深入了解您的数据和您的特定业务方式，几乎不可能确定哪种设置对您的组织有益。

我认为您指的是 Hadoop 的 HDFS 部分。如果我是正确的，恕我直言，使用 Hadoop 不应被视为替代方案，而是必要的。Hadoop 回答了这个问题：我如何利用我拥有的大量数据，因为我现在无法使用它。

所以是的，HDFS 是一个分布式文件系统（这就是 Hadoop DFS 的原因），如果您现在（或计划将来）没有遇到数据库表的限制，那么没有理由考虑切换。此外，我认为根据数据，您可能无法使用银行数据库做任何您想做的事情。

我应该补充一点，在大数据生态系统中有数据库的替代品（例如 NoSQL 系统），但我的回答完全取决于您没有提及任何特定任务/目标的事实，所以我的回答基本上是：

_ 我有一台足够我今天和将来工作的电脑，我需要更换它吗？

_ 如果您认为它足以供您将来使用，那么不。

这取决于您的具体情况 - 我认为您需要添加更多细节才能获得一个好的答案。例如，您目前在数据存储方面遇到什么问题？你在未来想要改变或实现什么？

您的数据（您没有提及数据到底是什么，但我认为这是银行交易、客户信息等？）将位于传统的关系数据库管理系统 (RDBMS) 中，可能基于 SQL，这是有充分理由的 -传统的 RDBMS 非常擅长事务处理，即能够非常快速地添加新记录、更新和删除现有记录，并且不会“弄乱”数据——例如，如果对同一客户记录的两次更新几乎同时发生，数据库系统将正确排序更新，“锁定”相关记录以防止冲突等，以便您永远不会留下不一致的数据。这对银行来说是极其不利的——想象一下，如果某人的银行账户不小心被错误的余额覆盖了！

出于这个原因，我想大多数银行将在未来很多年继续使用这些系统，这些系统非常成熟、经过充分测试、易于理解，并且有大量具备必要技能的人员可供雇用。此外，更改银行系统的底层存储系统风险极大，因此为什么大多数银行运行非常旧的软件 - 更新软件出现问题的风险太大了。

但是，如果您只是想针对这些数据生成分析报告，并保持原始源数据不变，那么 Hadoop 很可能是一个有用的调查系统。总体思路是将原始数据从银行系统导出到 HDFS，例如，使用 Hadoop 生成分析报告。这种系统的好处是创建查询（例如“我所有客户的平均银行余额是多少”）可能会更快（并且更安全），而不会在查询运行时锁定您的源数据库系统（再说一次，这对银行来说真的非常非常糟糕！）。Hadoop 和类似系统擅长这种任务，通常称为 OLAP（离线分析处理），但对于 OLTP 则完全没有优势。

听起来您需要真正考虑一下您在这里尝试做什么，并首先对 OLAP 和 OLTP 的差异进行大量研究，然后从那里开始。希望有帮助。