大数据框架略解：Hadoop、Yarn、Spark、Hbase

一、大数据框架

二、hadoop核心组件

Hadoop集群具体来说包含两个集群：HDFS集群和YARN集群，两者逻辑上分离，但物理上常在一起。

（1）HDFS集群：负责海量数据的存储。

（2）YARN集群：负责海量数据运算时的资源调度。

（3）MapReduce：在分布式计算框架上的可自定义设计框架，使用只需要定义其功能，而不用取考虑分布式并行计算的细节。

（1）HDFS集群

HDFS简化了文件的一致性模型，通过流式数据访问，提供高吞吐量应用程序的数据访问功能，适合大型数据集的应用程序。它提供了一次写入多次读取的机制，数据以块的形式，同时分布在集群中不同物理机器上。

1）HDFS的文件被分成块进行存储，默认为64M,块是文件存储处理的逻辑单元。

2）HDFS有两类节点，NameNode和DataNode

3）NameNode是管理节点，存储文件元数据。文件与数据块的映射表；数据块与数据节点的映射表。

4）DataNode是HDFS的工作节点，存储数据块。

5）每个数据块3个副本，分布在两个机架内的三个节点。

6）DataNode定期向NameNode发送心跳信息。

7）二级NameNode定期同步元数据映射文件和修改日志，作为备胎。

（2）YARN

YARN是一个通用的资源管理平台，可为各类计算框架提供资源的管理和调度。

其核心出发点是为了分离资源管理与作业调度/监控，实现分离的做法是拥有一个全局的资源管理器（ResourceManager，RM），以及每个应用程序对应一个的应用管理器（ApplicationMaster，AM），应用程序由一个作业（Job）或者Job的有向无环图（DAG）组成。

快速理解：

1）YARN可以将多种计算框架(如离线处理MapReduce、在线处理的Storm、迭代式计算框架Spark、流式处理框架S4等) 部署到一个公共集群中，共享集群的资源。

2）YARN可以看成一个云操作系统，由一个ResourceManager和多个NodeManager组成， 它负责管理所有NodeManger上多维度资源，并以Container(启动一个Container相当于启动一个进程)方式分配给应用程序启动ApplicationMaster(相当于主进程中运行逻辑) ,或运行ApplicationMaster切分的各Task(相当于子进程中运行逻辑)

在启动YARN服务后，节点上可以通过 localhost:8088 进行查看。

（3） Mapreduce

分而治之，一个大任务分成多个小的任务（map），并行执行后，合并结果（reduce）

快速理解：

1）用于执行MapReduce任务的机器角色有两个：一个是JobTracker；另一个是TaskTracker，JobTracker是用于调度工作的，TaskTracker是用于执行工作的。一个Hadoop集群中只有一台JobTracker。

2）TaskTracker对应HDFS中的DataNode。

3）JobTracker的作用：作业调度，分配任务，监控任务执行进度；监督TaskTracker的状态

4）TaskTracker的作用：执行任务，汇报任务状态。

5）mapreduce的容错机制，重复执行（4次），推测执行。

三、其他组件

（4）Flume (日志收集工具)

Flume数据流提供对日志数据进行简单处理的能力，如过滤、格式转换等。同时，Flume还具备能够将日志写往各种数据目标的能力。

相关概念：

Flume逻辑上分为三层架构：agent, collector, storage

agent用于采集数据，collector用户数据汇总，storage是存储系统。

（5）sqoop(数据同步传输工具)

用于hadoop(hive)与传统数据库的数据传输。

（6）Zookeeper(分布式协作服务)

Zookeeper解决分布环境下的数据管理问题：统一命名，状态同步，集群管理，配置同步等。Hadoop的许多组件依赖于Zookeeper,它运行在计算集群上面，用户管理Hadoop操作。分布式应用程序可以基于 ZooKeeper 实现诸如数据发布/订阅、负载均衡、命名服务、分布式协调/通知、集群管理、Master 选举、分布式锁和分布式队列等功能。

快速理解：

Zookeeper的核心功能，文件系统和通信机制。

1）文件系统：

每个目录都是一个znode节点；Znode节点可直接存储数据；类型，持久化。

2）通信机制：

客户端监听关心的Znode节点；znode节点有变化时，通知客户端。

3）Zookeeper的核心是原子广播，保证了各个Server之间的同步。实现这种机制的协作叫做ZAB协议。（Zookeeper Atomic BrodCast）

（7）Hbase（分布式列存储数据库）

hbase是运行在hdfs之上的一种NoSQL数据库，以键值对的形式存储数据，能够快速在主机内数十亿行数据中定位所需的数据并访问，而HDFS缺乏随即读写操作，不能满足实时需求。

Hbase表结构：

1）列簇，1张列簇不超过5个，列簇没有限制，列只有插入数据才存在，列在列簇中是有序的。eg:个人信息|教育信息|工作经历

2）不支持条件查询，列动态增加，数据自动切分，高并发读写。

启动方式：

输入：habse shell

查询表：list

查询表数据信息：（1）scan ‘表名’ （2）count ‘表名’

命令：(注意，复制可能报错，只能手打)

查看

scan ‘表名：列簇’，‘条件’

只返回前两行记录

scan ‘table_name:info’,{LIMIT =>2}

查看具体某一行

get ‘table_name:info’,‘00123_22’

模糊查找某一列数据

scan ‘table_name:info’，FILTER=>“ColumnPrefixFilter(‘td_id’) AND ValueFilter(=,‘substring:$_08_03’)”

（8） Hive(数据仓库)

Hive是建立在hadoop上的数据仓库基础架构，类似一种SQL解析引擎，它将SQL语句转成MapReduce,然后再Hadoop上执行。

1） habse是基于Haddoop实现的数据库，不支持SQL

2） hive是基于hadoop实现的数据仓库，适合海量全量数据，支持类SQL操作。

启动方式：

hive;

show tables;

select * from table_name;

quit;

命令：

创建数据文件

hadoop fs -vi /home/testdata.dat

创建库

create database test

创建表

create table test(id int,name string,age string) ROW format DELIMITED FIELDS

TERMINATED BY ‘\t’ stored as TEXTFILE;

加载数据

load data local inpath ‘/root/data/students.txt’ into table test;

删除表

drop database if exists test;

大小写转换

select lower(‘hello world’),upper(‘hello world’)

去掉前后的空格

trim

（9）pig

为大型数据集的处理提供抽象，与MapReduce相比，Pig提供了更丰富的数据结构，一般都是多值和嵌套的数据结构。它提供强大的数据变换，包括在MapReduce中被忽视的连接Join操作。