12 大数据平台基础架构和常用处理工具

12 大数据平台基础架构和常用处理工具

更多干货

一、概述

  • 数据在线分析处理和常用工具
  • 大数据离线处理和常用工具
  • OLAP 和 OLTP 处理和常用处理工具

二、数据在线分析处理和常用工具

1、Flume 介绍

Flume 专注于大数据的收集和传输,用来解决在线分析处理特点,数据源源不断的到来的问题。类似的大数据开源系统有 Logstash 和 Fluentd 。

三者区别如下:

  • Logstash 主要 和 Elasticsearch 、 Kibana 结合使用,俗称 ELK 框架; Logstash 主要负责将数据源的数据转换成 Elasticsearch 认识的索引结构供 Kibana 查询
  • Fluentd 当前的使用者已经很少,逐渐被功能更强大的 Flume 代替了
  • Flume 能够支持多种数据源并且输出到多种输出源,并且支持多种格式的数据

image

架构图中 Source 用来连接输出源,Sink 用来连接输出源,Channel 是 Flume 内部数据传输通道(主要包括 Memory Channel 和 File Channel)。

其中 Source 连接的输入源可以但不限于:

Avro 
Thrift  
Exec(unix command  output)
JMS (Java Message Service)
Kafka 
NetCat (可以使用 nc –lk port 测试)
Syslog
Custom 

其中 Sink 连接的输出源可以但不限于:

Hdfs
Hive  
Avro 
Thrift 
File Roll
Hbase
ElasticSearch (提供的功能和 Logstash 一样,但是不如Logstash 丰富,大多数时候需要自己构造 ElasticSearch  文档和索引)
Kafka 
Custom

Flume 也能多个 Agent 相连形成 Agent 链

image

2、Spark 和 Storm 介绍

Spark (Spark Streaming) 和 Storm 专注于将数据按照时间窗口进行聚合和处理。用来解决在线分析处理特点,数据需要尽快的得到处理的问题。所以经常被称作流式处理框架。

两者的区别如下:

  • Storm 提供比 Spark 更加实时的流式处理;
  • Spark 提供比Storm更加多的服务,Spark 逐渐已经形成类似 Hadoop 的生态圈了。

目前Spark 生态圈包含的生态系统如下(而且还正在逐渐的壮大中):

image

目前 Spark 有三种集群管理模式:

  • Standalone:一种简单的集群管理,其包括一个很容易搭建集群的Spark;
  • Apache Mesos :一种通用的集群管理,可以运行Hadoop MapReduce和服务应用的模式;
  • Hadoop YARN : Hadoop2.0中的资源管理模式。

其中第二种和第三种都是使用 Spark 做任务管理和调度,Mesos 和 Yarn 做资源管理和调度

Spark 工作组件

image

Strom 结构图

image

Storm 的工作组件:

  • topology:一个拓扑是一个个计算节点组成的图,每个节点包换处理的逻辑,节点之间的连线表示数据流动的方向;
  • spout:表示一个流的源头,产生tuple;
  • bolt: 处理输入流并产生多个输出流,可以做简单的数据转换计算,复杂的流处理一般需要经过多个bolt进行处理。

Strom 拓扑topology的组成

image

image

3、HBase 介绍

HBase 专注于大数据存储和提供查询,用来解决在线分析处理特点,数据经过处理后数据量依然巨大的存储和展现问题。类似的大数据开源系统有 Cassandra 。

两者区别如下:

  • Cassandra 满足可用性和分区容忍性,允许数据的不一致(不同客户端可能看到不一样的情况)、 Cassandra 提供了类似 SQL 的 CQL 查询语言,查询方便;
  • HBase 满足一致性和分区容忍性,拥有强大的记录集一致性。HBase不支持 SQL 需要使用者部署第三方服务来支持 SQL (如 Apache Phoenix);

image

组成部件说明:

  • Client:使用HBase RPC机制与HMaster和HRegionServer进行通信;

  • Zookeeper: 存储hbase:meta 表等元数据信息;HRegionServer把自己以Emphedral方式注册到Zookeeper中,HMaster随时感知各个HRegionServer的健康状况;Zookeeper避免HMaster单点问题;

  • HMaster: 主要负责Table和Region的管理工作:

    管理用户对表的增删改查操作
    管理HRegionServer的负载均衡,调整Region分布
    Region Split后,负责新Region的分布
    在HRegionServer停机后,负责失效HRegionServer上Region迁移

HRegionServer:HBase中最核心的模块,主要负责响应用户I/O请求,向HDFS文件系统中读写数据:

   HRegionServer管理一些列HRegion对象;
   每个HRegion对应Table中一个Region,HRegion由多个HStore组成;
   每个HStore对应Table中一个Column Family的存储;

image

Region的 Split 和 StoreFile 的 Compact:

Client写入 -> 存入MemStore,一直到MemStore满 -> Flush成一个StoreFile,直至增长到一定阈值 -> 触发Compact合并操作 -> 多个StoreFile合并成一个StoreFile,同时进行版本合并和数据删除 -> 当StoreFiles Compact后,逐步形成越来越大的StoreFile -> 单个StoreFile大小超过一定阈值后,触发Split操作,把当前Region Split成2个Region,Region会下线,新Split出的2个孩子Region会被HMaster分配到相应的HRegionServer 上,使得原先1个Region的压力得以分流到2个Region上。�由此过程可知,HBase只是增加数据,有所得更新和删除操作,都是在Compact阶段做的,所以,用户写操作只需要进入到内存即可立即返回,从而保证I/O高性能;

三、大数据离线处理和常用工具

1、Hdfs 介绍

Hdfs 是一种分布式文件系统,和任何文件系统一样 Hdfs 提供文件的读取,写入,删除等操作。Hdfs 是能够很好的解决离线处理中需要存储大量数据的要求。Hdfs和本地文件系统的区别如下:

  • Hdfs 不支持随机读写;
  • Hdfs 是分布式文件系统,支持数据多备份;

Hdfs 多备份数据存放策略: 第一个副本放在和client所在的node里(如果client不在集群范围内,则这第一个node是随机选取的,当然系统会尝试不选择哪些太满或者太忙的node);第二个副本放置在与第一个节点不同的机架中的node中(随机选择);第三个副本和第二个在同一个机架,随机放在不同的node中。如果还有更多的副本就随机放在集群的node里。

image

客户端读取数据流程图

image

客户端写入数据流程图

image

2、MapReduce 介绍

MapReduce 是一种分布式批量计算框架,分为 Map 阶段和 Reduce 阶段。 MapReduce 能够很好的解决离线处理中需要进行大量计算的要求。 MapReduce 从出现到现在经历了第一代 MapReduce v1 和 第二代 MapReduce Yarn。

Yarn 框架相对于老的 MapReduce 框架有以下优势:

  • 减小了 JobTracker的资源消耗,之前JobTracker 既负责资源分配,也负责任务监控,Yarn 将这两项任务分别交给了 ResourceManager 和 ApplicationMaster  ,减少了之前 JobTracker 单点失败的风险;

  • MRv1 将资源分别 Map slot 和 Reduce slot 而且相互之前不能使用,Yarn将资源分别CPU、内存,相互之前能够通用,更加灵活也更加合理;

image

3、Hive 介绍

Hive 是一种数据仓库,Hive 中的数据存储于文件系统( 大部分使用 Hdfs),Hive 提供了方便的访问数据仓库中数据的 HQL 方法,该方法将 SQL 翻译成MapReduce。 能够很好的解决离线处理中需要对批量处理结果的查询。 Hive 将元数据存放在 metastore 中, Hive 的 metastore 有三种工作方式:

  • 内嵌Derby方式: 在同一时间只能有一个进程连接使用数据库;
  • Local方式 : 使用本地 Mysql 数据库存储元数据;
  • Remote方式: 使用远程已经搭建完成的 Mysql 数据库存储元数据;

image

四、OLAP 和 OLTP处理和常用工具

OLAP 和 OLTP 特点

  • OLAP (联机分析处理) 和 OLTP (联机事务处理) 在查询方面的特点:
  • OLTP 单次查询返回数据量小,但是经常会涉及服务器端简单的聚合操作,要求查询响应速度快,一般应用于在线处理;
  • OLAP 单次查询返回数据量巨大,服务器端进行的处理复杂,经常包含上卷(从细粒度数据向高层的聚合)、下钻(将汇总数据拆分到更细节的数据)类似的操作;

Elasticsearch 介绍

Elasticsearch 是一种基于 文档 的 底层使用 Lucene 进行检索的分布式NoSql 集群。Elasticsearch 检索大量文档类数据响应速度很快,更够为 在线 OLTP 提供支持。类似的大数据开源系统有 Solr。

两者的区别如下

  • Elasticsearch是分布式的。不需要其他组件,分发是实时的,被叫做”Push replication” 并且完全支持 Apache Lucene 的接近实时的搜索;
  • 建立索引时,搜索效率下降,实时索引搜索效率不高;
  • 随着数据量的增加,Solr的搜索效率会变得更低,而Elasticsearch却不会有明显变化

所以, Solr的架构不适合实时搜索的应用,也就不适合 OLTP 处理

image

Impala 介绍

Impala 是 Cloudera 公司主导开发的新型查询系统,它提供 SQL 语义,能查询存储在 Hadoop 的 Hdfs 和 Hbase 中的 PB 级大数据。已有 的 Hive 系统虽然也提供了 SQL 语义,但由于 Hive 底层执行使用的是 MapReduce 引擎,仍然是一个批处理过程,难以满足查询的交互性。相比之 下,Impala 的最大特点就是它的快速。

所以, Impala 使得在 TB 甚至 PB 级数据上进行 OLTP 分析成为可能。

image

Impala 主要通过以下两种技术实现快速查询大量数据:

  • 实现了嵌套型数据的列存储;
  • 使用了多层查询树,使得任务可以在数千个节点上并行执行和聚合结果;

列存储可以减少查询时处理的数据量,有效提升 查询效率。多层查询树则借鉴了分布式搜索引擎的设计,查询树的根节点负责接收查询,并将查询分发到下一层节点,底层节点负责具体的数据读取和查询执行,然后将结果返回上层节点。

Kylin 介绍

Kylin 是由国人作为主要贡献者的一个旨在对 Hadoop 环境下分析流程进行加速、且能够与 SQL 兼容性工具顺利协作的解决方案,目前 Kylin 已经成功将SQL接口与多维分析机制(OLAP)引入 Hadoop,旨在对规模极为庞大的数据集加以支持。

Kylin 能够在大数据分析领域实现以下各项特性:

  • 规模化环境下的极速 OLAP 引擎: 削减 Hadoop 环境中处理超过百亿行数据时的查询延迟时间;
  • Hadoop上的 ANSI SQL 接口: Kylin 能够在 Hadoop 之上提供 ANSI SQL 并支持大部分 ANSI SQL查询功能;
  • 利用 OLAP cube(立方体)对数百亿行数据进行查询;

image

Kylin 的大体设计思路:

  • 从Hive当中读取数据(这些数据被保存在HDFS之上);
  • 运行Map Reduce任务以实现预计算 ;
  • 将cuba数据保存在HBase当中 
  • 利用Zookeeper进行任务协调
发布了610 篇原创文章 · 获赞 692 · 访问量 129万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览