牛逸凡-CSDN博客

原创 HIVE和HBASE区别

Apache Hive是一个构建在Hadoop基础设施之上的数据仓库。通过Hive可以使用HQL语言查询存放在HDFS上的数据。HQL是一种类SQL语言，这种语言最终被转化为Map/Reduce. 虽然Hive提供了SQL查询功能，但是Hive不能够进行交互查询--因为它只能够在Haoop上批量的执行Hadoop。 Apache HBase是一种Key/Value系统，它运行在HDFS之...

2018-07-30 17:31:10 343

原创 spark高效的分布式计算架构

目标Scope（解决什么问题）在大规模的特定数据集上的迭代运算或重复查询检索官方定义：a MapReduce-like cluster computing framework designed for low-latency interativejobs and interactive use from an interpreter首先，MapReduce-like是说架构上和多数...

2018-07-21 14:54:25 8769

原创模拟面试编写sql

1、原材料表(材料id,材料名称,材料单价,材料数量)2、商品表(商品id,商品名称,商品单价,材料id,材料数量)3、销售记录表(销售id,商品id,销售数量,销售日期)4、每日帐目汇总表(日id,日商品总成本，日商品总收入，日纯收入，销售日期)----当天算出前一天的5、每月帐目汇总表(月id,月商品总成本，月商品总收入，月纯收入，销售月份)----月初1号统计上一个月的drop...

2018-07-21 14:28:43 347

原创常用面试SQL

S(S#,SN,SD,SA) 【分别代表学号，学员姓名，所属单位，学员年龄】C(C#,CN) 【分别代表课程编号，课程名称】SC(S#,C#,G) 【分别代表学号，所选的课程编号，学习成绩】insert into sc values(s1,c1,10);insert into sc values(s1,c2,10);insert into sc valu...

2018-07-21 14:26:37 551

原创 mapreduce初期学习

MapReduce框架作为Hadoop发展初期的核心计算框架，为大数据处理技术飞速演进提供了基石。在Hadoop生态圈中，MapReduce框架由于其成熟稳定的性能，仍然是离线批处理技术的主力。以我们的北京移动大数据集群为例，Hive、SparkSQL是支撑探索性数据查询的主要工具，其简单易懂的SQL语句查询，可以使具备基础数据库管理能力的人员轻松上手，完美地支撑了实时数据查询需求。在我最...

2018-07-19 10:54:49 531

原创 mapreduce编程初探

1.map和reduce1.1 mapReduce处理逻辑在本系列文章的第一篇中，曾对MapReduce原理做过简单的描述，在这里再重述一遍。首先我们有两个文件word1.txt和word2.txt 其中word1.txt的内容如下：aaaabbbbccccddddaaaaword2.txt的内容如下：aaaaccccddddeeeeaaaa这...

2018-07-19 10:49:35 8012 2

原创 mapreduce新编程实例

前言上一篇文章，以WordCount为例讲了一下MapReduce的代码结构及运行机制，这篇文章将通过几个简单的例子进一步认识MapReduce。1.数据检索问题描述假设有很多条数据，我们从中查找包含某个字符串的语句。解决方案这个问题比较简单，首先在Map中获取当前读取的文件的文件名作为key,将要解析的数据按句号分割，逐句判断，如果包含指定的字符串则作为value输出。在...

2018-07-19 10:46:41 891

原创 mapreduce编程模板

1.MapReduce 编程模型的5个步骤：　　1）迭代，将输入数据解析成 key/value 对；　　2）将解析的 key/value经过Map处理映射成另一组key/value对；　　3）根据key进行分组；　　4）以分组为单位进行归约（Reduce 过程）；　　5）迭代，输出最终结果。2.MapReduce编程模型模板：　　在进行编程过程只需改变Map（）和Red...

2018-07-19 10:41:41 440

原创 mapreduce简单编写

一. MapReduce 编程模型还是以一个经典的图片来说明问题.1. 首先, 我们能确定我们有一份输入, 而且他的数据量会很大2. 通过split之后, 他变成了若干的分片, 每个分片交给一个Map处理3. map处理完后, tasktracker会把数据进行复制和排序, 然后通过输出的key 和value进行 partition的划分, 并把partition相同的map输...

2018-07-19 10:38:52 7001

原创 mapreduce常用计算模型详解必读

一.MapReduce应用场景MR能解决什么问题？一般来说，用的最多的应该是日志分析，海量数据排序处理。最近一段时间公司用MR来解决大量日志的离线并行分析问题。二.MapReduce机制对于不熟悉MR工作原理的同学，推荐大家先去看一篇博文：https://blog.csdn.net/weixin_42685589/article/details/81029931三.常用计算模型...

2018-07-19 10:36:03 951

原创 mapreduce求平均值

一、问题描述三个文件中分别存储了学生的语文、数学和英语成绩，输出每个学生的平均分。数据格式如下： Chinese.txt张三 78李四 89王五 96赵六 67Math.txt张三 88李四 99王五 66赵六 77English.txt张三 80李四 82王五 84赵六 ...

2018-07-19 10:27:35 1380

原创 mapreduce排序

一、问题描述文件中存储了商品id和商品价格的信息，文件中每行2列，第一列文本类型代表商品id，第二列为double类型代表商品价格。数据格式如下:pid0 334589.41pid1 663306.49pid2 499226.8pid3 130618.22pid4 513708.8pid5 723470.7pid6 998579.14pid7 831682.84pid8 ...

2018-07-19 10:26:05 1800 3

原创 mapreduce合并去重

一、问题描述对输入的多个文件进行合并，并剔除其中重复的内容，去重后的内容输出到一个文件中。file1.txt中的内容:20150101 x20150102 y20150103 x20150104 yfile2.txt中的内容:20150105 z20150106 x20150101 y20150102...

2018-07-19 10:24:32 2004

原创 mapreduce单表关联----求爷孙关系

一、问题描述下面给出一个child-parent的表格，要求挖掘其中的父子辈关系，给出祖孙辈关系的表格。输入文件内容如下:child parentSteven LucySteven JackJone LucyJone JackLucy MaryLucy FrankJack AliceJack JesseD...

2018-07-19 10:22:01 4850 3

原创大数据面试题汇总【有自己的和网上总结的】

1. 选择题1.1. 下面哪个程序负责 HDFS 数据存储。c)Datanode 答案 C datanode1.2. HDfS 中的 block 默认保存几份？a)3 份答案 A 默认 3 份1.3. 下列哪个程序通常与 NameNode 在一个节点启动？d)Jobtracker 答案 D1.4. HDFS 默认 Block Sizec)128MB 答案：...

2018-07-17 15:57:50 2250

1.从前到后从你教育背景(学过哪些课)到各个项目你负责的模块,问的很细(本以为他是物理学博士,但是所有的技术都懂)2.hadoop 的 namenode 宕机,怎么解决先分析宕机后的损失，宕机后直接导致client无法访问，内存中的元数据丢失，但是硬盘中的元数据应该还存在，如果只是节点挂了，重启即可，如果是机器挂了，重启机器后看节点是否能重启，不能重启就要找到原因修复了。但是最终的解决方案应...

2018-07-17 15:45:27 389

原创大数据面试题必读

kafka的message包括哪些信息一个Kafka的Message由一个固定长度的header和一个变长的消息体body组成 header部分由一个字节的magic(文件格式)和四个字节的CRC32(用于判断body消息体是否正常)构成。当magic的值为1的时候，会在magic和crc32之间多一个字节的数据：attributes(保存一些相关属性，比如是否压缩、压缩格式等等...

2018-07-17 15:36:09 2115

原创 HDFS读写过程的详细分析

首先我们来认识一下HDFS， HDFS（Hadoop Distributed File System ）Hadoop分布式文件系统。它其实是将一个大文件分成若干块保存在不同服务器的多个节点中。通过联网让用户感觉像是在本地一样查看文件，为了降低文件丢失造成的错误，它会为每个小文件复制多个副本（默认为三个），以此来实现多机器上的多用户分享文件和存储空间。HDFS特点： ① 保存多个副本，...

2018-07-17 15:34:15 332

原创 Hadoop 面试题及答案解析必读

目录 1 单选题 ...................................................................................................................... 5 1.1 ...

2018-07-17 15:34:05 5982

原创 scala（三）

一、面向对象编程——类 1、定义一个简单的类 1 2 3 4 5 class HelloWorld { private var name = "leo" def sayHello() { print("Hello, " + name) } def getName =...

2018-07-17 15:33:55 229

原创 scala(二)

一、映射 1、Scala映射就是键值对的集合Map。默认情况下，Scala中使用不可变的映射。如果想使用可变集合Map，必须导入scala.collection.mutable.Map （导包时scala.collection.mutable._ 为可变；scala.collection.immutable._ 为不可变） val map =Map...

2018-07-17 15:33:44 203

原创 scala(一)

一、Scala 简介 1、Scala语言既可用于大规模应用程序开发，也可以用于脚本编程，2001年由Martin Odersk 开发，主要优势速度和它的表达性。一门函数式编程语言，既有面向对象的特点，又有面向过程的特点。 2、Scala与Java关系：Scala代码需要经过编译为字节码，然后交由Java虚拟机来运行，可以任意调用就Java的代码。所以Scala也就是J...

2018-07-17 15:33:31 222

原创 Spark 介绍

安装在集群上的spark版本：spark-1.6.3-bin-hadoop2.6.tgz scala版本：scala-2.10.4.tgz1、spark是什么 Spark，是一种通用的大数据计算框架，正如传统大数据技术Hadoop的MapReduce、 Hive引擎，以及Storm流式实时计算引擎等。 Spark包含了大数据领...

2018-07-17 15:33:21 330

原创 Spark集群基础概念与 spark架构原理

一、Spark集群基础概念将DAG划分为多个stage阶段，遵循以下原则： 1、将尽可能多的窄依赖关系的RDD划为同一个stage阶段。2、当遇到shuffle操作，就意味着上一个stage阶段结束，下一个stage阶段开始关于RDD中的分区，在默认情况下（也就是未指明分区数的情况）1、如果从HDFS中读取数据创建RDD，在默认情...

2018-07-17 15:33:14 1836

原创 Hive(六)hive执行过程实例分析与hive优化策略

一、Hive 执行过程实例分析 1、join 对于 join 操作：SELECT pv.pageid, u.age FROM page_view pv JOIN user u ON (pv.userid = u.userid);执行的最后结果条数： page_view 表中的 userid 数目 * user 表中的 userid 数目实现过程：Map：（1）以 JOIN ON 条件中的...

2018-07-16 14:28:15 398

原创 Hive（五）hive的高级应用

一、视图视图：享用基本表的数据，不会生成另外一份数据创建视图：create view view_name as select * from carss;create view carss_view as select * from carss limit 500;查看视图：desc view_namedesc carss_view删除视图：drop view view_namedrop vie...

2018-07-16 14:27:57 290

原创 Hive（四）hive函数与hive shell

一、hive函数 1、hive内置函数（1）内容较多，见《 Hive 官方文档》 https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF （2）详细解释： http://blog.sina.com.cn/s/blog_83bb...

2018-07-16 14:27:47 729

原创 Hive(三)hive的高级操作

一、hive的各种join操作语法结构：join_table:table_reference JOIN table_factor [join_condition]| table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition| table_reference LEFT SEMI JOIN tabl...

2018-07-16 14:27:40 281

原创 Hive（二）hive的基本操作

一、DDL操作（定义操作） 1、创建表（1）建表语法结构CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name[(col_name data_type [COMMENT col_comment], ...)] //字段注释[COMMENT table_comment] ...

2018-07-16 14:27:32 610

原创 Hive(一)基础知识

一、Hive的基本概念（安装的是Apache hive 1.2.1） 1、hive简介 Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类 SQL 查询功能， hive 底层是将 SQL 语句转换为 MapReduce 任务运行（类似于插件Pig\impala\Spark Sql） ...

2018-07-16 14:27:23 508

原创 scala 的安装与 IDEA安装使用

一、安装 scala 1、下载scala-2.11.8.msi 安装包，首先去官网http://www.scala-lang.org/，然后点击导航栏的DOWNLOAD，进入下载链接：http://www.scala-lang.org/download/直接点击上面的按钮下载Windows安装包，准备安装 2、双击scala-2.11.8.msi安装包，启动安装程序，单击N...

2018-07-16 14:27:16 750

原创 Hbase（七）hbase高级编程

一、Hbase结合mapreduce 为什么需要用 mapreduce 去访问 hbase 的数据？ ——加快分析速度和扩展分析能力 Mapreduce 访问 hbase 数据作分析一定是在离线分析的场景下应用 1、HbaseToHDFS 从 hbase 中读取数据，分析之后然后写入 hdfs，代码实现： 12345678...

2018-07-16 14:27:07 398

原创 Hbase(六) hbase Java API

一、几个主要 Hbase API 类和数据模型之间的对应关系：1、 HBaseAdmin关系： org.apache.hadoop.hbase.client.HBaseAdmin作用：提供了一个接口来管理 HBase 数据库的表信息。它提供的方法包括：创建表，删除表，列出表项，使表有效或无效，以及添加或删除表列族成员等。2、 HBaseConfiguration关系： org.apache....

2018-07-16 14:26:58 263

原创 Hbase(五) hbase内部原理

一、系统架构客户端连接hbase依赖于zookeeper，hbase存储依赖于hadoop client：1、包含访问 hbase 的接口， client 维护着一些 cache（缓存）来加快对 hbase 的访问，比如 region 的位置信息。（经常使用的表的位置信息） zookeeper：1、保证任何时候，集群中只有一个 master2、存贮所有 Region 的...

2018-07-16 14:26:50 206

原创 Hbase(四) 过滤器查询

引言：过滤器的类型很多，但是可以分为两大类——比较过滤器，专用过滤器过滤器的作用是在服务端判断数据是否满足条件，然后只将满足条件的数据返回给客户端；一、hbase过滤器的分类 1、比较过滤器行键过滤器 RowFilterFilter filter1 = new RowFilter(CompareOp.LESS_OR_EQUAL, new BinaryComparator(Byt...

2018-07-15 20:56:14 954

原创 Hbase(三) hbase协处理器与二级索引

一、协处理器—Coprocessor 1、起源Hbase 作为列族数据库最经常被人诟病的特性包括：无法轻易建立“二级索引”，难以执行求和、计数、排序等操作。比如，在旧版本的(<0.92)Hbase 中，统计数据表的总行数，需要使用 Counter 方法，执行一次 MapReduce Job 才能得到。虽然 HBase 在数据存储层中集成了 MapReduce，能够有效...

2018-07-15 20:56:00 523

原创 Hbase（二）hbase建表

一、建表高级属性下面几个 shell 命令在 hbase 操作中可以起到很到的作用，且主要体现在建表的过程中，看下面几个 create 属性 1、bloomfilter 布隆过滤器默认是 NONE 是否使用布隆过虑及使用何种方式，布隆过滤可以每列族单独启用使用 HColumnDescriptor.setBloomFilterType(NONE ...

2018-07-15 20:55:48 24612

原创 Hbase(一)基础知识

一、Hbase数据库介绍 1、简介 HBase 是 BigTable 的开源 java 版本。是建立在 HDFS 之上，提供高可靠性、高性能、列存储、可伸缩、实时读写 NoSQL 的数据库系统。 NoSQL = NO SQL NoSQL = Not Only SQL 把 NoSQL 数据的原生查询语句封装成 SQL HBase Phoe...

2018-07-15 20:55:32 896

原创 spark 调优——基础篇

开发调优调优概述Spark性能优化的第一步，就是要在开发Spark作业的过程中注意和应用一些性能优化的基本原则。开发调优，就是要让大家了解以下一些Spark基本开发原则，包括：RDD lineage设计、算子的合理使用、特殊操作的优化等。在开发过程中，时时刻刻都应该注意以上原则，并将这些原则根据具体的业务以及实际的应用场景，灵活地运用到自己的Spark作业中。原则一：避免创建重复的RDD通常来...

2018-07-15 20:55:20 207

原创 Sqoop数据迁移工具

一、概述 sqoop 是 apache 旗下一款“ Hadoop 和关系数据库服务器之间传送数据”的工具。导入数据： MySQL， Oracle 导入数据到 Hadoop 的 HDFS、 HIVE、 HBASE 等数据存储系统；导出数据：从 Hadoop 的文件系统中导出数据到关系数据库 mysql 等 Sqoop 的本质还是一个命令行工具，和 HDFS， Hiv...

2018-07-15 20:55:03 416

空空如也

空空如也