【大数据处理技术】第二篇大数据存储与管理（暂停更新）

小手の冰凉

已于 2022-11-23 16:37:12 修改

阅读量1.4k

点赞数

分类专栏：【数据科学与大数据技术】文章标签：大数据

于 2022-11-21 11:13:22 首次发布

本文链接：https://blog.csdn.net/Lenhart001/article/details/127958835

版权

【数据科学与大数据技术】专栏收录该内容

31 篇文章 70 订阅

订阅专栏

文章目录

第3章分布式文件系统HDFS
第4章分布式数据库HBase
第5章 NoSQL数据库
第6章云数据库

第3章分布式文件系统HDFS

3.1 分布式文件系统

分布式文件系统：通过网络实现文件在多台主机上进行分布式存储的文件系统
分布式文件系统设计一般采用 “客户机/服务器” 模式
广泛应用的分布式文件系统：GFS 和 HDFS

3.1.1 计算机集群结构

计算机节点、机架、交换机

3.1.2 分布式文件系统的结构

数据块是数据读写的基本单元
分布式文件系统的物理结构：
- 主节点/名称节点：负责文件和目录的创建、删除、重命名；管理数据节点和文件块的映射关系
- 从节点/数据节点：负责数据的存储、读取
故障应对：多副本存储
分布式文件系统针对大规模数据设计，用于处理大规模文件

3.1.3 分布式文件系统的设计需求

透明性
并发控制
文件复制
硬件和操作系统的异构性
可伸缩性
容错
安全

3.2 HDFS

3.2.1 HDFS 简介及相关概念

HDFS 原是 Apache Nutch 搜索引擎的一部分，现是 Apache 子项目
HDFS + MapReduce ≈ Hadoop
HDFS 实现目标：
- 兼容廉价的硬件设备
- 流数据读写
- 大数据集
- 简单的文件模型
HDFS 应用局限：
- 不适合低延迟数据访问
- 无法高效存储大量小文件
- 不支持多用户写入及任意修改文件

1. 块

以块为单位读写数据，把磁盘寻道时间分摊到大量数据中
- HDFS 寻址开销包括：磁盘寻道开销、数据块定位开销
- HDFS 默认数据块大小64MB/128MB
HDFS 采用块概念的好处：
- 支持大规模文件存储
- 简化系统设计
- 适合数据备份

2. 名称节点和数据节点

（1）名称节点

名称节点（NameNode）负责管理分布式文件系统的命名空间（Namespace），保存了两个核心的数据结构：FsImage 和 EditLog
- FsImage用于维护文件系统树以及文件树中所有的文件和文件夹的元数据
- 操作日志文件EditLog中记录了所有针对文件的创建、删除、重命名等操作
名称节点记录了每个文件中各个块所在的数据节点的位置信息
FsImage文件
名称节点的启动
名称节点运行期间EditLog不断变大的问题【第二名称节点】

（2）数据节点

数据节点是分布式文件系统HDFS的工作节点，负责数据的存储和读取
根据客户端或者是名称节点的调度来进行数据的存储和检索，并且向名称节点定期发送自己所存储的块的列表
每个数据节点中的数据会被保存在各自节点的本地Linux文件系统中

3. 第二名称节点

第二名称节点是HDFS架构中的一个组成部分，它是用来保存名称节点中对HDFS 元数据信息的备份，并减少名称节点重启的时间。SecondaryNameNode一般是单独运行在一台机器上、
SecondaryNameNode的工作情况：
- （1）SecondaryNameNode会定期和 NameNode通信，请求其停止使用EditLog 文件，暂时将新的写操作写到一个新的文件 edit.new上来，这个操作是瞬间完成，上层写日志的函数完全感觉不到差别
- （2）SecondaryNameNode通过HTTP GET方式从NameNode上获取到FsImage和 EditLog文件，并下载到本地的相应目录下
- （3）散SecondaryNameNode将下载下来的FsImage载入到内存，然后一条一条地执行EditLog文件中的各项更新操作，使得内存中的FsImage保持最新；这个过程就是 EditLog和FsImage文件合并
- （4）SecondaryNameNode执行完③操作之后，会通过post方式将新的 FsImage文件发送到NameNode节点上
- （5）NameNode将从 SecondaryNameNode接收到的新的 FsImage替换旧的FsImage文件，同时将 edit.new替换EditLog

3.2.2 HDFS 体系结构

HDFS采用了主从（Master/Slave）结构模型，一个HDFS集群包括一个名称节点（NameNode）和若干个数据节点（DataNode）
名称节点：作为中心服务器，负责管理文件系统的命名空间及客户端对文件的访问。
数据节点：
- 集群中的数据节点，一个节点运行一个数据节点进程
- 数据节点负责处理文件系统客户端的读/写请求，在名称节点的统一调度下进行数据块的创建、删除和复制等操作
- 每个数据节点的数据实际上是保存在本地Linux文件系统中的

1. HDFS 命名空间管理

HDFS 命名空间包括：目录、文件、块
命名空间管理：命名空间支持对HDFS中的目录、文件、块，做类似文件系统的创建、修改、删除等基本操作
HDFS使用传统的分级文件体系，用户可以像使用普通文件系统一样，创建、删除目录和文件，在目录间转移文件，重命名文件等

2. 通信协议

HDFS是一个部署在集群上的分布式文件系统，很多数据需要通过网络进行传输
所有的HDFS通信协议都是构建在TCP/IP协议基础之上的
客户端通过一个可配置的端口向名称节点主动发起TCP连接，并使用客户端协议与名称节点进行交互
名称节点和数据节点之间使用数据节点协议进行交互
客户端与数据节点的交互是通过RPC（Remote Procedure Call）来实现的
在设计上，名称节点不会主动发起RPC，而是响应来自客户端和数据节点的RPC请求

3. 客户端

客户端：用户操作HDFS常用方式，HDFS在部署时提供客户端
HDFS客户端是一个库，暴露了HDFS文件系统接口，这些接口隐藏了HDFS实现中的大部分复杂性
严格来说，客户端并不算是HDFS的一部分
客户端可以支持打开、读取、写入等常见的操作，并且提供了类似Shell的命令行方式来访问HDFS中的数据
此外，HDFS也提供了Java API，作为应用程序访问文件系统的客户端编程接口

4. HDFS 体系结构的局限性

HDFS 只设置位移名称节点，简化了系统设计，同时有明显局限性：
- 命名空间的限制
- 性能的瓶颈
- 隔离问题
- 集群的可用性

3.2.3 HDFS 存储原理

1. 数据的冗余存储

HDFS 采用多副本方式，对数据进行冗余存储
目的：保证系统的容错性和可用性
多副本方式优点：
- 加快数据传输速度
- 容易检查数据错误
- 保证数据的可靠性

2. 数据存取策略

数据存放
- 第一个副本：放置在上传文件的数据节点；如果是集群外提交，则随机挑选一台磁盘不太满、CPU不太忙的节点
- 第二个副本：放置在与第一个副本不同的机架的节点上
- 第三个副本：与第一个副本相同机架的其他节点上
- 更多副本：随机节点
数据读取
- HDFS提供了一个API可以确定一个数据节点所属的机架ID，客户端也可以调用API获取自己所属的机架ID
- 当客户端读取数据时，从名称节点获得数据块不同副本的存放位置列表，列表中包含了副本所在的数据节点，可以调用API来确定客户端和这些数据节点所属的机架ID，当发现某个数据块副本对应的机架ID和客户端对应的机架ID相同时，就优先选择该副本读取数据，如果没有发现，就随机选择一个副本读取数据
数据复制

3. 数据错误与恢复

名称节点出错
- 名称节点保存了所有的元数据信息，其中，最核心的两大数据结构是FsImage和Editlog，如果这两个文件发生损坏，那么整个 HDFS实例将失效。
- 因此，HDFS设置了备份机制，把这些核心文件同步复制到备份服务器SecondaryNameNode上。
- 当名称节点出错时，就可以根据备份服务器SecondaryNameNode中的FsImage和Editlog 数据进行恢复
数据节点出错
- 每个数据节点会定期向名称节点发送“心跳”信息，向名称节点报告自己的状态
- 当数据节点发生故障，或者网络发生断网时，名称节点就无法收到来自一些数据节点的心跳信息，这时，这些数据节点就会被标记为“宕机”，节点上面的所有数据都会被标记为“不可读”，名称节点不会再给它们发送任何I/O请求
- 这时，有可能出现一种情形，即由于一些数据节点的不可用，会导致一些数据块的副本数量小于冗余因子
- 名称节点会定期检查这种情况，一旦发现某个数据块的副本数量小于冗余因子，就会启动数据冗余复制，为它生成新的副本
- HDFS和其它分布式文件系统的最大区别就是可以调整冗余数据的位置
数据出错
- 网络传输和磁盘错误等因素，都会造成数据错误
- 客户端在读取到数据后，会采用md5和sha1对数据块进行校验，以确定读取到正确的数据
- 在文件被创建时，客户端就会对每一个文件块进行信息摘录，并把这些信息写入到同一个路径的隐藏文件里面
- 当客户端读取文件的时候，会先读取该信息文件，然后，利用该信息文件对每个读取的数据块进行校验，如果校验出错，客户端就会请求到另外一个数据节点读取该文件块，并且向名称节点报告这个文件块有错误，名称节点会定期检查并且重新复制这个块

3.2.4 HDFS 数据读写过程

读数据过程
写数据过程

3.2.5 HDFS 编程实践

HDFS 常用命令
HDFS 的Web页面
HDFS 常用Java API 及应用实例

第4章分布式数据库HBase

4.1 HBase 概述

4.1.1 HBase 简介

HBase是一个高可靠、高性能、面向列、可伸缩的分布式数据库，是谷歌BigTable的开源实现，主要用来存储非结构化和半结构化的松散数据。HBase的目标是处理非常庞大的表，可以通过水平扩展的方式，利用廉价计算机集群处理由超过10亿行数据和数百万列元素组成的数据表
HBase与传统关系数据库的对比分析
- 数据类型：关系数据库采用关系模型，具有丰富的数据类型和存储方式，HBase则采用了更加简单的数据模型，它把数据存储为未经解释的字符串
- 数据操作：关系数据库中包含了丰富的操作，其中会涉及复杂的多表连接。HBase操作则不存在复杂的表与表之间的关系，只有简单的插入、查询、删除、清空等，因为HBase在设计上就避免了复杂的表和表之间的关系
- 存储模式：关系数据库是基于行模式存储的。HBase是基于列存储的，每个列族都由几个文件保存，不同列族的文件是分离的
- 数据索引：关系数据库通常可以针对不同列构建复杂的多个索引，以提高数据访问性能。HBase只有一个索引——行键，通过巧妙的设计，HBase中的所有访问方法，或者通过行键访问，或者通过行键扫描，从而使得整个系统不会慢下来
- 数据维护：在关系数据库中，更新操作会用最新的当前值去替换记录中原来的旧值，旧值被覆盖后就不会存在。而在HBase中执行更新操作时，并不会删除数据旧的版本，而是生成一个新的版本，旧有的版本仍然保留
- 可伸缩性：关系数据库很难实现横向扩展，纵向扩展的空间也比较有限。相反，HBase和BigTable这些分布式数据库就是为了实现灵活的水平扩展而开发的，能够轻易地通过在集群中增加或者减少硬件数量来实现性能的伸缩
HBase访问接口

4.2 HBase 数据模型

4.2.1 数据模型概述

HBase是一个稀疏、多维度、排序的映射表，这张表的索引是行键、列族、列限定符和时间戳
每个值是一个未经解释的字符串，没有数据类型 • 用户在表中存储数据，每一行都有一个可排序的行键和任意多的列
表在水平方向由一个或者多个列族组成，一个列族中可以包含任意多个列，同一个列族里面的数据存储在一起
列族支持动态扩展，可以很轻松地添加一个列族或列，无需预先定义列的数量以及类型，所有列均以字符串形式存储，用户需要自行进行数据类型转换
HBase中执行更新操作时，并不会删除数据旧的版本，而是生成一个新的版本，旧有的版本仍然保留（这是和HDFS只允许追加不允许修改的特性相关的

4.2.2 数据模型的相关概念

表：HBase采用表来组织数据，表由行和列组成，列划分为若干个列族
行：每个HBase表都由若干行组成，每个行由行键（row key）来标识。
列族：一个HBase表被分组成许多“列族”（Column Family）的集合，它是基本的访问控制单元
列限定符：列族里的数据通过列限定符（或列）来定位
单元格：在HBase表中，通过行、列族和列限定符确定一个“单元格”（cell ），单元格中存储的数据没有数据类型，总被视为字节数组byte[]
时间戳：每个单元格都保存着同一份数据的多个版本，这些版本采用时间戳进行索引

4.2.3 数据坐标

HBase中需要根据行键、列族、列限定符和时间戳来确定一个单元格，因此，可以视为一个“四维坐标”，即[行键, 列族, 列限定符, 时间戳]

4.2.4 概念视图

在这里插入图片描述

4.2.5 物理视图

在这里插入图片描述

4.2.6 面向列的存储

在这里插入图片描述

4.3 HBase 实现原理

4.3.1 HBase 功能组件

HBase的实现包括三个主要的功能组件：
- 库函数：链接到每个客户端
- 一个Master主服务器
- 许多个Region服务器
主服务器Master负责管理和维护HBase表的分区信息，维护Region服务器列表，分配Region，负载均衡
Region服务器负责存储和维护分配给自己的Region，处理来自客户端的读写请求
客户端并不是直接从Master主服务器上读取数据，而是在获得Region 的存储位置信息后，直接从Region服务器上读取数据
客户端并不依赖Master，而是通过Zookeeper来获得Region位置信息，大多数客户端甚至从来不和Master通信，这种设计方式使得Master 负载很小

4.3.2 表和 Region

开始只有一个Region，后来不断分裂
Region拆分操作非常快，接近瞬间，因为拆分之后的Region读取的仍然是原存储文件，直到“合并”过程把存储文件异步地写到独立的文件之后，才会读取新文件
每个Region默认大小是100MB到200MB（2006年以前的硬件配置）
- 每个Region的最佳大小取决于单台服务器的有效处理能力
- 目前每个Region最佳大小建议1GB-2GB（2013年以后的硬件配置）
同一个Region不会被分拆到多个Region服务器
每个Region服务器存储10-1000个Region

4.3.3 Region 的定位

元数据表，又名.META.表，存储了Region和Region服务器的映射关系
当HBase表很大时， .META.表也会被分裂成多个Region
根数据表，又名-ROOT-表，记录所有元数据的具体位置
-ROOT-表只有唯一一个Region，名字是在程序中被写死的
Zookeeper文件记录了-ROOT-表的位置
为了加快访问速度，.META.表的全部Region都会被保存在内存中
假设.META.表的每行（一个映射条目）在内存中大约占用1KB，并且每个Region限制为128MB，那么，上面的三层结构可以保存的用户数据表的Region数目的计算方法是：
- （-ROOT-表能够寻址的.META.表的Region个数）×（每个.META.表的 Region可以寻址的用户数据表的Region个数）
- 一个-ROOT-表最多只能有一个Region，也就是最多只能有128MB，按照每行（一个映射条目）占用1KB内存计算，128MB空间可以容纳 128MB/1KB=2¹⁷行，也就是说，一个-ROOT-表可以寻址2¹⁷个.META.表的Region。
- 同理，每个.META.表的 Region可以寻址的用户数据表的Region个数是 128MB/1KB=2¹⁷。
- 最终，三层结构可以保存的Region数目是(128MB/1KB) × (128MB/1KB) = 2³⁴个Region
客户端访问数据时的“三级寻址”
- 为了加速寻址，客户端会缓存位置信息，同时，需要解决缓存失效问题
- 寻址过程客户端只需要询问Zookeeper服务器，不需要连接Master服务器