Druid 大数据分析之概况

原创 2016年08月28日 17:39:53
一、概述
    随着互联网快速发展,数据量增长快,达到TB、PB,以交通车流量为例,如湖南省每月的车辆流量至少达到4亿,这个数据量远不止如此。数据量如此大,如何满足后期分析,传统面向OLTP型数据库(ORACLE、MYSQL等)无法要求,渐渐开始转向OLAP,如GreenPlum等,虽然很多OLAP数据库吸收分布式计算思想,数据达到20亿以上后,进行Count、聚合等操作性能仍然达不到客户实时分析要求。

     虽然相关大数据框架及组件已经很流行:Hadoop(离线分析)、Spark、storm、Hive、Impala、Hbase等,Hadoop生态系统大庞大,Spark一站式安装部署,但是满足实时分析还需借助其它组件、开发要求很高。

    Druid是一个用于大数据实时查询和分析的高容错、高性能开源分布式系统,旨在快速处理大规模的数据,并能够实现快速查询和分析。尤其是当发生代码部署、机器故障以及其他产品系统遇到宕机等情况时,Druid仍能够保持100%正常运行。创建Druid的最初意图主要是为了解决查询延迟问题,当时试图使用Hadoop来实现交互式查询分析,但是很难满足实时分析的需要。而Druid提供了以交互方式访问数据的能力,并权衡了查询的灵活性和性能而采取了特殊的存储格式。

     如下图所示,类似基于时间序列的数据库系统,Druid今年排情况:



 

 

二、Druid 数据
     Druid是一个开源的数据存储设计的事件数据的OLAP查询,提供一个高层次的概述如何存储数据和Druid集群的体系结构。

     我们先看看示例数据:


 
     数据集由三个不同的组件组成:

     1. 时间序列化列:以时间序列进行数据分片,所有查询以时间为中心轴。
     
     2. 维度列:Druid基于列式存储,查询结果展示列,常用于数据过滤,如示例数据集有四个维度:出

                        版商,广告商,性别和国家。 

     3. 聚合列:通常用于计算值,操作方法如:COUNT、SUM等。   

 

三、Druid 聚合
   上述例子数据集中的单条信息作用不大,因为这样的数据万亿。然而这种类型的数据研究概述可以产生经济效益。Druid使用我们称之为“聚合”的过程对这些原始数据聚合操作,类似(伪代码)如下:

 

Java代码  收藏代码
  1. GROUP BY timestamp, publisher, advertiser, gender, country  
  2.   :: impressions = COUNT(1),  clicks = SUM(click),  revenue = SUM(price)  

 

   在实践中我们看到聚合数据可以大大减少需要被存储的数据的大小(高达100倍)。减少存储确实是以成本为代价的,聚合数据后无法查询单个数据的能力;另一种解决方式减少聚合粒度,尽量满足查询数据的最小粒度。因此Druid通过queryGranularity方法(或属性granularity)定义这个粒度查询数据,最低支持为毫秒。

 通过上述伪代码聚合后的数据:


 

 

四、Druid 分片数据
  Druid的分片称之为Segment(即段),通常按时间对数据进行分片。如对示例数据进行压缩,我们可以创建两个段,按每小时分片。
  段是保存时间间隔内数据,段包含按列存储的数据以及这些列的索引,Druid查询索引扫描段。段由数据源、间隔、版本的唯一标识,和一个可选的分区号。段命名规范如:

datasource_interval_version_partitionnumber

例如:


 
 

 

五、Druid 索引数据
   Druid查询速度取决于如何存储数据。从搜索基础架构借用想法,Druid创建只读数据快照,查询分析存储在高度优化的数据结构。
   Druid是一个列存储,每列被单独存储。Druid查询相当好,是因为只查询所需的列。不同的列还可以采用不同的压缩方式,不同的列也可以有与它们相关的不同的索引。
   Druid 索引数据在数据分片级别上。

 

六、Druid 数据加载
   Druid有两方式获取数据,实时和批量,Druid实时获取很费劲,确切的说Druid不能保证实时获取。批量获取可以保证批量创建段及相应数据。Druid通常采用实时管道获取实时数据(最近数据),采用批管道获取副本数据。

 

七、Druid 数据查询
    Druid的本地查询语言是JSON通过HTTP,虽然社区在众多的语言中提供了查询库,包括SQL查询贡献库;Druid设计用于单表操作,目前不支持联接。许多产品准备在ETL集成,数据加载到Druid之前需要规范化。

 

八、Druid 集群
  Druid是由不同角色的系统构建而成的一个整体系统,它的名字来自在许多角色扮演游戏中的Druid类:它是一个shape-shifter,可以在一个群组中采取许多不同的形式来满足各种不同的角色。

Druid的整体架构中目前包括以下节点类型:

   1. Historical 

   对“historical”数据(非实时)进行处理存储和查询的地方。historical节点响应从broker节点发来的查询,并将结果返回给broker节点。它们在Zookeeper的管理下提供服务,并使用Zookeeper监视信号加载或删除新数据段。

   2. Realtime

   实时摄取数据,它们负责监听输入数据流并让其在内部的Druid系统立即获取,Realtime节点同样只响应broker节点的查询请求,返回查询结果到broker节点。旧数据会被从Realtime节点转存至Historical节点。

   3. Coordinator

   监控historical节点组,以确保数据可用、可复制,并且在一般的“最佳”配置。它们通过从MySQL读取数据段的元数据信息,来决定哪些数据段应该在集群中被加载,使用Zookeeper来确定哪个historical节点存在,并且创建Zookeeper条目告诉historical节点加载和删除新数据段。

   4. Broker 

   接收来自外部客户端的查询,并将这些查询转发到Realtime和Historical节点。当Broker节点收到结果,它们将合并这些结果并将它们返回给调用者。由于了解拓扑,Broker节点使用Zookeeper来确定哪些Realtime和Historical节点的存在。

    5. Indexer

    节点会形成一个加载批处理和实时数据到系统中的集群,同时会对存储在系统中的数据变更(也称为索引服务)做出响应。这种分离让每个节点只关心自身的最优操作。通过将Historical和Realtime分离,将对进入系统的实时流数据监控和处理的内存分离。通过将Coordinator和Broker分离,把查询操作和维持集群上的“好的”数据分布的操作分离。

数据流和各个节点的关系如下图:



        相关节点和集群管理所依赖的其他组件(Zookeeper)如下:


版权声明:本文为博主原创文章,未经博主允许不得转载。

相关文章推荐

Greenplum数据库整体架构

Greenplum数据库基本由PostgreSQL核心增强数据库实例组合并衔接成的数据库管理系统,即Greenplum 数据在PostgreSQL基础上扩展开发出来的

Cassandra笔记

简介: WIKI :https://zh.wikipedia.org/wiki/Cassandra Apache Cassandra是一套开源分布式NoSQL数据库系统。它最初由Faceboo...

C# / ASP.NET 计算某个日期所在的周是当年的第几周

/// /// 计算某个日期所在的周是当年的第几周/// /// 某个日期/// 区域,例如:new CultureInfo("zh-CN")/// 具体的周序号public static int W...

应用开发人员如何提升有效技术水平?

不知不觉已经做了好几年Java开发,都是做web应用类的东西,虽然也做了MVC和各种设计模式的实践,但是大多数时间都是在解决面向业务逻辑的问题。很多底层的技术都是掌握在美国那边,工作中基本处于使用的状...

我们为什么选择了Cassandra而没有用Hbase

前不久,我们决定用一款分布式的Nosql来存储一些频繁访问的用户数据,数据量较大。速度最快的是Redis,然而Redis由于集群的部署需要做额外的工作来保证数据的持久化,而单机数据量又不够大,所以我们...

Cassandra学习笔记 --- HBase与Cassandra区别于联系

Cassandra学习笔记 --- HBase与Cassandra区别于联系

HBase vs. Cassandra: NoSQL 战争!

HBase vs. Cassandra: NoSQL Battle! [转] from http://www.roadtofailure.com/2009/10/29/hbase-vs-cas...

HBase常见性能问题及解决方案

HBase是一个相对较复杂的分布式系统,并发写入的性能非常高。然而,分布式系统从结构上来讲,也相对较复杂,模块繁多,各个模块之间也很容易出现一些问题,所以对像HBase这样的大型分布式系统来说,优化系...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:深度学习:神经网络中的前向传播和反向传播算法推导
举报原因:
原因补充:

(最多只允许输入30个字)