Hadoop大数据生态圈介绍

Hadoop、Spark生态圈主要介绍

Hadoop核心组件有哪些？广义Hadoop指什么？

• 核心组件有：Hdfs、Yarn、MapReduce
• 广义上指一个生态圈，泛指大数据技术相关的开源组件或产品，如hdfs、yarn、hbase、hive、spark、pig、zookeeper、kafka、flume、phoenix、sqoop、...,以后将进行详细说明
• 特点是开源（Apache协议）、分布式、大容量、可扩展、HA等，应用中可灵活组合使用

Spark与Hadoop之间有什么联系

• Spark也是一个生态圈，发展非常快，在计算方面比MapReduce要快并且编程更简单，除计算还包括ETL、机器学习、流处理、图计算等组件
• Hadoop和Spark在某些方面重叠，但他们之前可以很好的协同作战

 

生态圈中常用组件或产品详细介绍

文件系统：

• HDFS，目前大量采用的分布式文件系统，是整个大数据应用场景的基础通用文件存储组件
• S3，Simple Storage Service简单存储服务，更好的可扩展性，内置的持久性，以及较低的价格

资源调度：

• YARN，分布式资源调度，可以接收计算机的任务把它分配到集群各节点处理，相当于大数据操作系统，通用性好，生态支持好
• Mesos，同YARN类似，偏向于资源的抽象和管理

计算框架：

• Spark序列，有流计算、图计算、机器学习
• Flink，支持计算数据不断变化，即增量计算
• Storm，专注于流式计算，功能强大
• MapReduce，分布式计算基本计算框架，编程难度高，执行效率低

数据库：

• Hbase，一种NoSQL列簇数据库，支持数十亿行数百万列大型数据储存和访问，尤其是写数据的性能非常好，数据读取实时性较好，提供了一套API，不支持SQL操作，数据存储采用HDFS
• Cassandra，对大型表格和Dynamo支持得最好
• Redis，运行异常快，还可应用于分布式缓存场景

SQL支持：

• Spark SQL，由Shark、Hive发展而来，以SQL方式访问数据源（如hdfs、hbase、S3、redis甚至关系型数据库等，下同）
• Phonenix，一套专注于SQL方式访问hbase的JDBC驱动，支持绝大部分SQL语法，支持二级索引，支持事务，低延时
• Hive，通过HQL（类似SQL）来统计分析生成查询结果，通过解析HQL生成可以在MapReduce上执行的任务，典型的应用场景是与hbase集成
• 其他：impala，pig等，都实现了类似的功能，解决了直接写map/reduce分析数据的复杂性，降低了数据分析工作者或开发人员使用大数据的门槛

其他工具：

• 分布式协作zookeeper，可以理解为一个小型高性能的数据库，为生态圈中很多组件提供发布订阅功能，还可以监测节点是否失效（心跳检测），如HBase、Kafka中利用zookeeper存放了主从节点信息
• Kafka，是一种分布式的，基于发布/订阅的消息系统，类十余消息队列的功能，可以接受生产者（如webservice、文件、hdfs、hbase等）的数据，本身可以缓存起来，然后可以发送给消费者（同上），起到缓冲和适配的作用
• Flume，分布式的海量日志采集、聚合和传输的系统，主要作用是数据的收集和传输，也支持非常多的输入输出数据源
• Sqoop，主要用于在Hadoop(Hive)与传统的数据库（mysql、pstgresql...）间进行数据的传递，可以将一个关系型数据库（例如：MySQL，Oracle，Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中
• Solr，提供全文搜索服务，基于Lucene的全文搜索服务器

典型的组合使用场景

Flume → kaffa → Hdfs → Spark/Storm/Hive → Hbase/Redis/Mysql → Phoenix/Spark sql/Hive     （大数据组件）

→ Jdbc → Hibernate/Mybatis/Jfinal → Struts2/Spring MVC/Jfinal → Echarts/Html   （常规的编程、前端展示组件）

• Flume从各种渠道收集数据发送到Kafka
• Kafka可以缓存数据，并将原始数据存放到hdfs
• Spark/Storm/Hive从hdfs中取出数据进行清洗、统计等计算操作，并把统计结果存放到Hbase/Redis/Mysql
• Phoenix/Spark sql/Hive提供了标准Jdbc方式的访问接口，调用程序只需向Jdbc接口编程，即可读取Hbase/Redis/Mysql中的数据
• Jdbc获取到数据后通过ORM组件（Hibernate/Mybatis/Jfinal），将数据集合转换为对象集合，一般为List<T>形式，发送到控制层Struts2/Spring MVC/Jfinal
• 控制层把数据发给view层，最终使用Echarts来绘制图形报表展示给用户