hadoop可以使用map-reduce范式或其他新兴技术（如spark）来处理数据。其优点是有一个可靠的分布式文件系统，并使用数据局部性将计算发送到拥有数据的节点。
hive是一种很好的类似sql的方法，可以处理文件并每天生成一次报告。这是批处理，每天多出5 gb应该不会产生太大影响。虽然它有很高的延迟开销，但是如果你每天做一次的话应该不会有问题。
hbase和cassandra是nosql数据库，其目的是以低延迟服务数据。如果这是一个要求，你应该去任何这些。hbase使用dfs来存储数据，而cassandra有很好的hadoop连接器，因此运行使用这两个源的作业非常简单。
对于基于请求、指定日期范围的报表，应该以有效的方式存储数据，这样就不必接收报表不需要的数据。hive支持分区，可以使用date（即。 /<year>/<month>/<day>/ ). 使用分区可以显著优化作业执行时间。
如果您使用nosql方法，请确保行键具有某种日期格式作为前缀（例如20140521…），以便您可以选择以所需日期开始的行键。
您还应考虑以下问题：
您希望在群集中存储多少数据—例如，最近180天等。这将影响节点/磁盘的数量。注意数据通常被复制3次。
在hdfs中有多少个文件-当文件数很高时，namenode在检索文件元数据时会受到很大的影响。存在一些解决方案，例如复制namenode或使用mapr hadoop发行版，这些发行版本身不依赖namenode。