大数据的技术生态，Hadoop,Hive,Spark之间的关系

最新推荐文章于 2023-12-26 13:37:03 发布

JL_Jessie

最新推荐文章于 2023-12-26 13:37:03 发布

阅读量703

点赞数 1

分类专栏：推荐系统

本文链接：https://blog.csdn.net/m0_37531129/article/details/111835145

版权

推荐系统专栏收录该内容

19 篇文章 2 订阅

订阅专栏

这个内容摘抄自知乎一个问题的答案，希望可以把大数据生态圈的技术理清楚。

大数据技术本质上无非4个核心问题：

存储：海量的数据怎么有效存储？主要包括 HDFS, Kafka;
计算：海量的数据怎么快速计算？主要包括：MapReduce,Spark,Flink等；
查询：海量的数据怎样快速查询？主要包括Nosql和Olap，Nosql包括Hbase\Cassandra等，其中olap包括kylin,impla等，其中Nosql主要解决随机查询、Olap技术主要解决关联查询。
挖掘：海量数据怎样挖掘出隐藏的知识？也就是机器学习和深度学习技术，TensorFlow,Pytorch,Caffe.

大数据技术生态其实是一个江湖…在一个夜黑风高的晚上，江湖第一大帮会Google三本阵法修炼秘籍流出，大数据技术江湖从此纷争四起、永无宁日…这三本秘籍分别为：

《Google file system》：论述了怎样借助普通机器有效的存储海量的大数据；
《Google MapReduce》：论述了怎样快速计算海量的数据；
《Google BigTable》：论述了怎样实现海量数据的快速查询；

以上三篇论文秘籍是大数据入门的最好文章，通俗易懂，先看此三篇再看其它技术；

在Google三大秘籍流出之后，江湖上，致力于武学开放的apache根据这三本秘籍分别研究出了对应的武学巨著《hadoop》，并开放给各大门派研习，Hadoop包括三大部分，分别是hdfs、MapReduce和hbase：hdfs解决大数据的存储问题。mapreduce解决大数据的计算问题。hbase解决大数据量的查询问题。
之后，在各大门派的支持下，Hadoop不断衍生和进化各种分支流派，其中最激烈的当属计算技术，其次是查询技术。存储技术基本无太多变化，hdfs一统天下。以下为大概的演进：
1，传统数据仓库派说你mapreduce修炼太复杂，老子不会编程，老子以前用sql吃遍天下，为了将这拨人收入门下，并降低大数据修炼难度，遂出了hive，pig、impla等SQL ON Hadoop的简易修炼秘籍；
2，伯克利派说你MapReduce只重招数，内力无法施展，且不同的场景需要修炼不同的技术，太过复杂，于是推出基于内力（内存）的《Spark》，意图解决所有大数据计算问题。
3，流式计算相关门派说你hadoop只能憋大招（批量计算），太麻烦，于是出了SparkStreaming、Storm，S4等流式计算技术，能够实现数据一来就即时计算。
4，apache看各大门派纷争四起，推出flink，想一统流计算和批量计算的修炼；

参考链接

大数据本身是一个很宽泛的概念，Hadoop生态圈基本上都是为了处理超过单机尺度的数据处理而诞生的。你可以把它比作一个厨房所需的各种工具。锅碗瓢盆，各有各的用处，互相之间又有重合。你可以用汤锅直接当碗吃饭喝汤，你可以用小刀或者刨子去皮。但是每个工具有自己的特性，虽然奇怪的组合也能工作，但是未必是最佳的选择。

大数据，首先你要能存的下大数据。HDFS
传统的文件系统是单机的，不能横跨不同的机器。HDFS(Hadoop Distributed FileSystem)的设计本质上是为了大量的数据能横跨成百上千台机器，但是你看到的是一个文件系统而不是很多文件系统。比如你说我要获取/hdfs/tmp/file1的数据，你引用的是一个文件路径，但是实际的数据存放在很多不同的机器上。你作为用户，不需要知道这些，就好比在单机上你不关心文件分散在什么磁道什么扇区一样。HDFS为你管理这些数据。
存下数据后，你就开始考虑怎么处理数据。Spark/MapReduce/Tez
虽然HDFS可以为你整体管理不同机器上的数据，但是这些数据太大了。一台机器读取成T上P的数据，一台机器慢慢跑也许需要好几天甚至好几周。对于很多公司来说，单机处理是不可忍受的，比如微博要更新24小时热博，它必须在24小时之内跑完这些处理。那么我如果要用很多机台处理，我就面临了如何分配工作，如果一台机器挂了如何重新启动相应的任务，机器之间如何互相通信交换数据以完成复杂的计算等等。这就是MapReduce/Tez/Spark的功能。
MapReduce是第一代计算引擎，Tez和Spark是第二代。MapReduce的设计，采用了很简化的计算模型，只有Map和Reduce两个计算过程（中间使用Shuffle串联），用这个模型，已经可以处理大数据领域很大一部分问题了。

那么什么是Map什么是Reduce？
考虑如果你要统计一个巨大的文本文件存储在类似HDFS上，你想知道这个文本里各个词的出现频率。你启动了一个MapReduce程序。Map阶段，几百台机器同时读取这个文件的各个部分，分别把各自读到的部分分别统计出词频，产生类似（hello， 121100次）（word， 15214次）等等这样的pair（我这里把Map和Combine放在一起说以便简化）；这几百台机器各自都产生了如上的集合，然后又有几百台机器启动了Reduce处理。Reduce机器A将从Mapper机器收到的所有以A开头的统计结果，机器B将收到B开头的词汇的统计结果（当然实际上不会真的以字幕开头做依据，而是用函数产生的hash值以避免数据串化，因为类似X开头的词肯定比其他要少的多，而你不希望数据处理各个机器的工作量相差悬殊）。然后这些Reudcer将再次汇总，(hello,12100) +（hello, 12311）+(hello, 345881) = (hello, 370292). 每个Reducer都如上处理，你就得到了整个文件的词频结果。这个看似是个很简单的模型，但很多算法都可以用这个模型描述。
Map+Reduce的简单模型很暴力，虽然好用，但是很笨重。第二代的Tez和Spark 除了内存Cache之类的feature，本质上来说，是让Map、Reduce模型更通用，让Map和Reduce之间的界限更模型，数据交换更灵活，更少的磁盘读写，以便更方便地描述复杂算法，取得更高的吞吐量。

简化MapReduce写程序过程–Hive/Pig
有了MapReudce，Tez, Spark之后，程序猿发现，MapReduce的程序写起来真麻烦，他们希望简化这个过程。这就好比你有了汇编语言，虽然你几乎什么都能干了，但是你还是觉得繁琐，你希望有个更高层更抽象的语言层来描述算法和数据处理流程。于是就有了Pig和Hive。Pig是接近脚本方式去描述MapReduce， Hive则是用SQL。她们把脚本和SQL语言翻译成MapReduce程序，丢给计算引擎计算，而你就从繁琐的MapReduce程序中解脱出来，用更简单直观的语言去改写程序。

有了Hive之后，人们发现SQL对比JAVA有巨大的优势。一个是它太容易写了，刚才词频的东西，用SQL描述只要一两行，MapReduce 写起来大约需要几十上百行。而更重要的是，非计算机北京的用户终于感受到了爱：我也会SQL.于是数据分析人员终于从乞求工程师帮忙的窘境解脱出来了，工程师也从写奇怪的一次性处理程序中解脱出来了。Hive逐渐成长成了大数据仓库的核心组件。甚至很多公司的流水线作业集完全是用SQL描述，因为易于改写一看就懂，容易维护。
提高速度–Impala/Presto/Drill
自从数据分析人员开始使用Hive分析数据后，他们发现，Hive在MapReduce上跑真的太慢了。流水线作业集也许没啥关系，比如24小时更新的推荐，反正24小时内跑完就算了。但是数据分析，人们总是希望跑的更快一些。比如我希望看过去一个小时内有多少人在充气娃娃页面驻足，分别停留了多久，对于一个巨型网站海量数据下，这个处理过程也许需要花几十分钟甚至很多小时。而这个分析也许只是你万里长征的第一步，你还要看有多少人浏览了xxCD等，以便跟老板汇报，我们的用户是文艺青年/闷骚少男等。你无法忍受等待的折磨，只能跟工程师说，快、再快一些。
于是Impala, Presto, Drill诞生了, 三个系统的核心理念是，MapReduce引擎太慢了，因为它太通用、太强壮、太保守，我们SQL需要更轻量，更激进地获取资源，更专门地对SQL做优化，而且不需要那么多容错性保证（因为系统出错了大不了重启任务，如果整个处理时间更短的话，比如几分钟之内）。这些系统让用户更快速地处理SQL任务，牺牲了通用性稳定性等特性。如果说MapReduce是大砍刀，砍啥都不怕，那么上面的三个就是剔骨刀，灵巧锋利，但是不能搞太大太硬的东西。
这些系统，说实话，一直没有达到人们期望的流行度。因为这个时候两个异类被造出来了。他们是Hive on Tez /Spark 和 SparkSQL.他们的设计理念是mapReduce慢，但是如果我用新一代通用计算引擎Tez或者Spark来跑SQL，那我就能跑的更快。而且用户不需要维护两套系统。这就好比如果你厨房小、人又懒，对吃的精细程度要求有限，那你可以买个电饭煲、能蒸能煲能烧，生了好多厨具。
上面介绍的，基本就是一个数据仓库的架构了。底层HDFS，上面跑MapReduce/Tez/Spark，再上面跑Hive/Pig。或者HDFS上直接跑impala, Drill， Presto. 这解决了中低速数据处理的要求。
如果要更高速的处理，怎么办？
如果我是一个类似微博的公司，我希望显示不是24小时热博，我想看一个不断变化的热播榜，更新延迟在一分钟内，上面的手段无法满足要求。于是又一种计算模型被开发出来，这就是Streaming(流)计算。Storm是最流行的流计算平台。流计算的思路是，如果要达到更实时的更新，我何不在数据流进来的时候就处理了？比如还是词频统计的例子，我的数据流是一个个的词，我就让他们一边流过我就一边开始统计了。流计算很牛逼，基本无延迟，但是它的短处是，不灵活，你想要统计的东西必须预先知道，毕竟数据流过就没了，你没算的东西就无法拟补算了。因此它是一个很好的东西，但是无法替代上面的数据仓库和批处理系统。
还有一个有些独立的模块是KV Store，比如Cassandra、HBase、MongoDB以及很多其他的。所以KV Store就是说，我有一堆键值，我能很快速地获取与这个key绑定的数据。比如我用身份号能取到你的身份证数据。这个动作用MapReduce也能完成，但是很可能要扫描整个数据集。而KV Store专用来处理这个操作，所有存和取都专门为此优化了。从几个P的数据中查找一个身份证号，也许只要零点几秒。这让大数据公司的一些专门操作被大大优化了。比如我网页上有个根据订单号查找订单内容的页面，而整个网站的订单数量无法单机数据库存储，我就会考虑用KV Store来存储。KV Store的理念是，基本无法处理复杂的计算，大多没法JOIN，也许没法聚合，没有强一致性保证（不同数据分布在不同机器上，你每次读取也许会读到不同的结果，也无法处理类似银行转账那样的强一致性要求的操作），就是快，极快！每个不同的KV Store设计都有不通取舍，有些更快，有些容量更高，有些可以支持更复杂的操作，必有一款适合你。
除此以外，还有一些更特制的系统、组件，比如Mahot是分布式机器学习库，Protobuf是数据交换的编码和库，ZooKeeper是高一致性分布的分布存取系统系统，等等。

有了这么多乱七八糟的工具，都在同一个集群上运转，大家需要互相尊重有序工作。所以另外一个重要组件是：调度系统。现在最流行的是Yarn 你可以把他看做中央管理。
你可以认为，大数据生态圈就是一个厨房工具生态圈。为了做不同的菜，中国菜，日本菜，法国菜，你需要各种不同的工具。而且客人的需求正在复杂化，你的厨具不断被发明，也没有一个万用的厨具可以处理所有情况，因此它会变的越来越复杂。

参考链接