經(jīng)過多年信息化建設(shè)，我們已經(jīng)進(jìn)入一個(gè)神奇的“大數(shù)據(jù)”時(shí)代，無(wú)論是在通訊社交過程中使用的微信、QQ、電話、短信，還是吃喝玩樂時(shí)的用到的團(tuán)購(gòu)、電商、移動(dòng)支付，都不斷產(chǎn)生海量信息數(shù)據(jù)，數(shù)據(jù)和我們的工作生活密不可分、須臾難離。
什么是大數(shù)據(jù)
什么是大數(shù)據(jù)，多大算大，100G算大么？如果是用來(lái)存儲(chǔ)1080P的高清電影，也就是幾部影片的容量。但是如果100G都是文本數(shù)據(jù)，比如云智慧透視寶后端kafka里的數(shù)據(jù)，抽取一條mobileTopic的數(shù)據(jù)如下：【107，5505323054626937，局域網(wǎng)，局域網(wǎng)，unknown，0，0，09f26f4fd5c9d757b9a3095607f8e1a27fe421c9，1468900733003】，這種數(shù)據(jù)100G能有多少條，我們可想而知。
數(shù)據(jù)之所以為大，不但是因?yàn)閿?shù)據(jù)量的巨大，同時(shí)各種渠道產(chǎn)生的數(shù)據(jù)既有IT系統(tǒng)生成的標(biāo)準(zhǔn)數(shù)據(jù)，還有大量多媒體類的非標(biāo)準(zhǔn)數(shù)據(jù)，數(shù)據(jù)類型多種多樣，而且大量無(wú)用數(shù)據(jù)充斥其間，給數(shù)據(jù)的真實(shí)性帶來(lái)很大影響，此外很多數(shù)據(jù)必須實(shí)時(shí)處理才最有價(jià)值。
一般數(shù)據(jù)量大(多)或者業(yè)務(wù)復(fù)雜的時(shí)候，常規(guī)技術(shù)無(wú)法及時(shí)、高效處理如此大量的數(shù)據(jù)，這時(shí)候可以使用Hadoop，它是由Apache基金會(huì)所開發(fā)的分布式系統(tǒng)基礎(chǔ)架構(gòu)，用戶可以在不了解分布式底層細(xì)節(jié)的情況下，編寫和運(yùn)行分布式應(yīng)用充分利用集群處理大規(guī)模數(shù)據(jù)。Hadoop可以構(gòu)建在廉價(jià)的機(jī)器上，比如我們淘汰的PC Server或者租用的云主機(jī)都可以拿來(lái)用。
今天，云智慧的李林同學(xué)就為大家介紹一下Hadoop生態(tài)圈一些常用的組件。
Gartner的一項(xiàng)研究表明，2015年，65%的分析應(yīng)用程序和先進(jìn)分析工具都將基于Hadoop平臺(tái)，作為主流大數(shù)據(jù)處理技術(shù)，Hadoop具有以下特性：
方便：Hadoop運(yùn)行在由一般商用機(jī)器構(gòu)成的大型集群上，或者云計(jì)算服務(wù)上
健壯：Hadoop致力于在一般商用硬件上運(yùn)行，其架構(gòu)假設(shè)硬件會(huì)頻繁失效，Hadoop可以從容地處理大多數(shù)此類故障。
可擴(kuò)展：Hadoop通過增加集群節(jié)點(diǎn)，可以線性地?cái)U(kuò)展以處理更大的數(shù)據(jù)集。
目前應(yīng)用Hadoop最多的領(lǐng)域有：
1) 搜索引擎，Doug Cutting設(shè)計(jì)Hadoop的初衷，就是為了針對(duì)大規(guī)模的網(wǎng)頁(yè)快速建立索引。
2) 大數(shù)據(jù)存儲(chǔ)，利用Hadoop的分布式存儲(chǔ)能力，例如數(shù)據(jù)備份、數(shù)據(jù)倉(cāng)庫(kù)等。
3) 大數(shù)據(jù)處理，利用Hadoop的分布式處理能力，例如數(shù)據(jù)挖掘、數(shù)據(jù)分析等。
Hadoop生態(tài)系統(tǒng)與基礎(chǔ)組
Hadoop2.0的時(shí)候引入了HA(高可用)與YARN(資源調(diào)度)，這是與1.0的最大差別。Hadoop主要由3部分組成：Mapreduce編程模型，HDFS分布式文件存儲(chǔ)，與YARN。
上圖是Hadoop的生態(tài)系統(tǒng)，最下面一層是作為數(shù)據(jù)存儲(chǔ)的HDFS，其他組件都是在HDFS的基礎(chǔ)上組合或者使用的。HDFS具有高容錯(cuò)性、適合批處理、適合大數(shù)據(jù)處理、可構(gòu)建在廉價(jià)機(jī)器上等優(yōu)點(diǎn)，缺點(diǎn)是低延遲數(shù)據(jù)訪問、小文件存取、并發(fā)寫入、文件隨機(jī)修改。
Hadoop MapReduce是一個(gè)軟件框架，基于該框架能夠容易地編寫應(yīng)用程序，這些應(yīng)用程序能夠運(yùn)行在由上千個(gè)商用機(jī)器組成的大集群上，并以一種可靠的，具有容錯(cuò)能力的方式并行地處理上TB級(jí)別的海量數(shù)據(jù)集。這個(gè)定義里面有幾個(gè)關(guān)鍵詞：軟件框架、并行處理、可靠且容錯(cuò)、大規(guī)模集群、海量數(shù)據(jù)集就是MapReduce的特色。
MapReduce經(jīng)典代碼(wordCount)
上面這段代碼就是接收一堆文本數(shù)據(jù)，統(tǒng)計(jì)這些文本數(shù)據(jù)中每個(gè)單詞出現(xiàn)的次數(shù)。MapReduce也是一個(gè)計(jì)算模型，當(dāng)數(shù)據(jù)量很大時(shí)，比如10個(gè)G，它可以把這10G的數(shù)據(jù)分成10塊，分發(fā)到10個(gè)節(jié)點(diǎn)去執(zhí)行，然后再匯總，這就是并行計(jì)算，計(jì)算速度比你一臺(tái)機(jī)器計(jì)算要快的多。
HBase
Hadoop的主要組件介紹完畢，現(xiàn)在看下HBase，它是一個(gè)高可靠、高性能、面向列、可伸縮的分布式存儲(chǔ)系統(tǒng)，利用Hbase技術(shù)可在廉價(jià)PC Server上搭建大規(guī)模結(jié)構(gòu)化存儲(chǔ)集群。HBase 是Google Bigtable 的開源實(shí)現(xiàn)，與Google Bigtable 利用GFS作為其文件存儲(chǔ)系統(tǒng)類似，HBase 利用Hadoop HDFS 作為其文件存儲(chǔ)系統(tǒng)；Google 運(yùn)行MapReduce 來(lái)處理Bigtable中的海量數(shù)據(jù)， HBase 同樣利用Hadoop MapReduce來(lái)處理HBase中的海量數(shù)據(jù)；Google Bigtable 利用Chubby作為協(xié)同服務(wù)， HBase 利用Zookeeper作為對(duì)應(yīng)
有人問HBase和HDFS是啥關(guān)系，HBase是利用HDFS的存儲(chǔ)的，就像MySQL和磁盤， MySQL是應(yīng)用，磁盤是具體存儲(chǔ)介質(zhì)。HDFS因?yàn)樽陨淼奶匦?，不適合隨機(jī)查找，對(duì)更新操作不太友好，比如百度網(wǎng)盤就是拿HDFS構(gòu)建的，它支持上傳和刪除，但不會(huì)讓用戶直接在網(wǎng)盤上修改某個(gè)文件的內(nèi)容。
HBase的表有以下特點(diǎn)：
1 ) 大：一個(gè)表可以有上億行，上百萬(wàn)列。
2 ) 面向列：面向列表（簇）的存儲(chǔ)和權(quán)限控制，列（簇）獨(dú)立檢索。
3 ) 稀疏：對(duì)于為空（NULL）的列，并不占用存儲(chǔ)空間，因此，表可以設(shè)計(jì)的非常稀疏。
HBase提供的訪問方式有命令行shell方式，java API(最高效和常用的)，Thrift Gateway 支持C++，PHP，Python等多種語(yǔ)言。
HBase在淘寶的應(yīng)用場(chǎng)景
HBase的使用場(chǎng)景：
需對(duì)數(shù)據(jù)進(jìn)行隨機(jī)讀操作或者隨機(jī)寫操作；
大數(shù)據(jù)上高并發(fā)操作，比如每秒對(duì)PB級(jí)數(shù)據(jù)進(jìn)行上千次操作；
讀寫訪問均是非常簡(jiǎn)單的操作，比如歷史記錄，歷史訂單查詢，三大運(yùn)營(yíng)商的流量通話清單的查詢。
Hive
之前我們說(shuō)了MapReduce計(jì)算模型，但是只有懂Java的才能擼代碼干這個(gè)事，不懂Java的想用Hadoop的計(jì)算模型是不是就沒法搞了呢？比如HDFS里的海量數(shù)據(jù)，數(shù)據(jù)分析師想弄點(diǎn)數(shù)據(jù)出來(lái)，咋辦？所以就要用到Hive，它提供了SQL式的訪問方式供人使用。
Hive是由Facebook 開源， 最初用于解決海量結(jié)構(gòu)化的日志數(shù)據(jù)統(tǒng)計(jì)問題的ETL(Extraction-Transformation-Loading) 工具，Hive是構(gòu)建在Hadoop上的數(shù)據(jù)倉(cāng)庫(kù)平臺(tái)，設(shè)計(jì)目標(biāo)是可以用傳統(tǒng)SQL操作Hadoop上的數(shù)據(jù)，讓熟悉SQL編程的人員也能擁抱Hadoop（注意。是數(shù)據(jù)倉(cāng)庫(kù)。不是數(shù)據(jù)庫(kù)啊。）
使用HQL作為查詢接口
使用HDFS作為底層存儲(chǔ)
使用MapReduce作為執(zhí)行層
所以說(shuō)Hive就是基于Hadoop的一個(gè)數(shù)據(jù)倉(cāng)庫(kù)工具，是為簡(jiǎn)化MapReduce編程而生的，非常適合數(shù)據(jù)倉(cāng)庫(kù)的統(tǒng)計(jì)分析，通過解析SQL轉(zhuǎn)化成MapReduce，組成一個(gè)DAG(有向無(wú)環(huán)圖)來(lái)執(zhí)行。
Flume
Flume是Cloudera提供的一個(gè)高可用的，高可靠的，分布式的海量日志采集、 聚合和傳輸?shù)南到y(tǒng)，F(xiàn)lume支持在日志系統(tǒng)中定制各類數(shù)據(jù)發(fā)送方，用于收集數(shù)據(jù)；同時(shí)，F(xiàn)lume提供對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單處理，并寫到各種數(shù)據(jù)接受方(可定制)的能力。
當(dāng)前Flume有兩個(gè)版本Flume 0.9X版本的統(tǒng)稱Flume-og，F(xiàn)lume1.X版本的統(tǒng)稱Flume-ng，由于Flume-ng經(jīng)過重大重構(gòu)，與Flume-og有很大不同，使用時(shí)請(qǐng)注意區(qū)分。
Flume就是一個(gè)數(shù)據(jù)管道，支持很多源(source)，sink(目標(biāo))，和透視寶的suro很像，比如拉取nginx日志可以拿這個(gè)工具簡(jiǎn)單一配就可用。當(dāng)然每臺(tái)nginx服務(wù)器上都要配置并啟動(dòng)一個(gè)flume.
下面給大家看看配置文件(把kafka的數(shù)據(jù)寫入hdfs的配置),配置很簡(jiǎn)單.完全免去了自己寫一個(gè)kafka的consumer再調(diào)用hdfs的API寫數(shù)據(jù)的工作量.
YARN
YARN是Hadoop 2.0中的資源管理系統(tǒng)，它的基本設(shè)計(jì)思想是將MRv1中的JobTracker拆分成了兩個(gè)獨(dú)立的服務(wù)：一個(gè)全局的資源調(diào)度器ResourceManager和每個(gè)應(yīng)用程序特有的應(yīng)用程序管理器ApplicationMaster，該調(diào)度器是一個(gè) '純調(diào)度器'，不再參與任何與具體應(yīng)用程序邏輯相關(guān)的工作，而僅根據(jù)各個(gè)應(yīng)用程序的資源需求進(jìn)行分配，資源分配的單位用一個(gè)資源抽象概念 'Container' 來(lái)表示，Container 封裝了內(nèi)存和 CPU。此外，調(diào)度器是一個(gè)可插拔的組件，用戶可根據(jù)自己的需求設(shè)計(jì)新的調(diào)度器，YARN 自身提供了 Fair Scheduler 和 Capacity Scheduler。
應(yīng)用程序管理器負(fù)責(zé)管理整個(gè)系統(tǒng)中所有應(yīng)用程序，包括應(yīng)用程序的提交、與調(diào)度器協(xié)商資源以啟動(dòng) ApplicationMaster、監(jiān)控 ApplicationMaster 運(yùn)行狀態(tài)并在失敗時(shí)重新啟動(dòng)等。
Ambari
Ambari是一個(gè)集群的安裝和管理工具，云智慧之前用的是Apache的Hadoop，運(yùn)維同學(xué)用源碼包安裝，一個(gè)個(gè)配置文件去改，再分發(fā)到各個(gè)節(jié)點(diǎn)，中間哪一步搞錯(cuò)了，整個(gè)集群就啟動(dòng)不起來(lái)。所以有幾個(gè)廠商提供Hadoop的這種安裝和管理平臺(tái)，主要是CDH和HDP，國(guó)內(nèi)的很多人都用CDH的，它是Cloudera公司的，如果用它的管理界面安裝，集群節(jié)點(diǎn)超過一定數(shù)量就要收費(fèi)了。
Ambari是Apache的頂級(jí)開源項(xiàng)目，可以免費(fèi)使用，現(xiàn)在用的人也很多。Ambari使用Ganglia收集度量指標(biāo)，用Nagios支持系統(tǒng)報(bào)警，當(dāng)需要引起管理員的關(guān)注時(shí)（比如，節(jié)點(diǎn)停機(jī)或磁盤剩余空間不足等問題），系統(tǒng)將向其發(fā)送郵件。
ZooKeeper
隨著計(jì)算節(jié)點(diǎn)的增多，集群成員需要彼此同步并了解去哪里訪問服務(wù)和如何配置，ZooKeeper正是為此而生的。ZooKeeper 顧名思義就是動(dòng)物園管理員，它是用來(lái)管大象(Hadoop) 、蜜蜂(Hive) 和 小豬(Pig) 的管理員， Apache Hbase和 Apache Solr 以及LinkedIn sensei等項(xiàng)目中都采用到了 Zookeeper。ZooKeeper是一個(gè)分布式的，開放源碼的分布式應(yīng)用程序協(xié)調(diào)服務(wù)，以Fast Paxos算法為基礎(chǔ)實(shí)現(xiàn)同步服務(wù)，配置維護(hù)和命名服務(wù)等分布式應(yīng)用。
其他組件
以上介紹的都是Hadoop用來(lái)計(jì)算和查詢的比較常用和主流的組件，上面那副生態(tài)圖中的其他幾個(gè)組件簡(jiǎn)單了解一下就好：
Pig是一種編程語(yǔ)言，它簡(jiǎn)化了Hadoop常見的工作任務(wù)，Pig為大型數(shù)據(jù)集處理提供了更高層次的抽象，與MapReduce相比，Pig提供了更豐富的數(shù)據(jù)結(jié)構(gòu)，一般都是多值和嵌套的數(shù)據(jù)結(jié)構(gòu)。
Mahout是Hadoop提供做機(jī)器學(xué)習(xí)用的，支持的算法也比較少，但是一些常用的 k-means 聚類、分類還是有的，他是用MapReduce做的，但是MapReduce不太擅長(zhǎng)這個(gè)東西，所以Mahout的作者也轉(zhuǎn)投spark ML陣營(yíng)了。
Sqoop是數(shù)據(jù)庫(kù)ETL工具，用于將關(guān)系型數(shù)據(jù)庫(kù)的數(shù)據(jù)導(dǎo)入到 Hadoop 及其相關(guān)的系統(tǒng)中，如 Hive和HBase。Sqoop 的核心設(shè)計(jì)思想是利用 MapReduce 加快數(shù)據(jù)傳輸速度，也就是說(shuō) Sqoop 的導(dǎo)入和導(dǎo)出功能是通過 MapReduce 作業(yè)實(shí)現(xiàn)的，所以它是一種批處理方式進(jìn)行數(shù)據(jù)傳輸，難以實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)的導(dǎo)入和導(dǎo)出。比如云智慧監(jiān)控寶以前的業(yè)務(wù)數(shù)據(jù)都存在MySQL，隨著數(shù)據(jù)量越來(lái)越大，要把數(shù)據(jù)導(dǎo)到Hbase，就可以拿Sqoop直接操作。
本文所介紹的東西都是用于離線計(jì)算的，而之前發(fā)布的《面臨大數(shù)據(jù)挑戰(zhàn) 透視寶如何使用Druid實(shí)現(xiàn)數(shù)據(jù)聚合》則是關(guān)于實(shí)時(shí)計(jì)算的框架Druid的。大數(shù)據(jù)常用的流計(jì)算框架主要有Storm，Spark Streaming，F(xiàn)link，F(xiàn)link雖然是2014年加入Hadoop的，但至今在生產(chǎn)環(huán)境上用的人還不多，似乎大家都持觀望態(tài)度。
說(shuō)一下流計(jì)算(Druid，Spark Streaming)和批處理(MapReduce，Hive)有啥區(qū)別，比如電商網(wǎng)站的個(gè)性化廣告投放，當(dāng)我們?cè)L問了亞馬遜搜索筆記本電腦之后，他就會(huì)給你推薦很多筆記本電腦鏈接，你的請(qǐng)求和興趣愛好被亞馬遜服務(wù)器實(shí)時(shí)接收，流計(jì)算分析之后當(dāng)時(shí)就會(huì)推薦給你可能會(huì)購(gòu)買的東西。如果這個(gè)東西拿批處理去做，服務(wù)端收集完了，過半個(gè)小時(shí)才算出你可能要買電腦，這時(shí)候再給你推薦電腦明顯就不合適了，因?yàn)檫@時(shí)候你可能在搜索電炒鍋……
最后再說(shuō)一下大數(shù)據(jù)的工作流，比如有兩個(gè)MapReduce的任務(wù)是有依賴的，必須第一個(gè)完成了才能執(zhí)行第二個(gè)，這就需要一個(gè)調(diào)度工具來(lái)調(diào)度。MapReduce也提供調(diào)度的API，但是代碼要寫很多，上面的代碼截圖只是一部分，這個(gè)依賴我寫了大概150行。所以這時(shí)候出現(xiàn)了工作流，用工作流來(lái)管理我們的各個(gè)job，我目前知道的有oozie和azkaban，oozie的配置比較靈活，推薦大家使用。
聲明：CSDN登載此文出于傳遞更多信息之目的，并不意味著贊同其觀點(diǎn)或證實(shí)其描述。
聯(lián)系客服
