HBase、Flume、Nginx、Redis、Kafka基础

1. HBase

概念

• 建立在HDFS上，提供高可靠性、高性能、列存储、可伸缩、实时读写 的分布式数据库系统
• 在需要实时读写随机访问超大规模数据集时，可以使用HBase

HBase特点

• 海量存储
  • 可以存储大批量数据
• 列式存储
  • HBase表的数据是基于列族进行存储的，列族是在列的方向上进行存储
• 极易扩展
  • 底层依赖HDFS，当磁盘空间不足时，只需动态增加datanode结点就可
  • 可以通过服务器来对集群的存储进行扩容
• 高并发
  • 支持高并发读写请求
• 稀疏
  • 系统主要是针对HBase列的灵活性，在列族中，可以指定任意列，在列数据为空的情况下，不会占用存储空间
• 数据的多个版本
  • HBase表的数据可以有多个版本值，默认情况下是根据版本号去区分，版本号就是插入数据的时间戳
• 数据类型单一
  • 所有的数据在HBase中是以字节数据进行存储

HBase数据类型

• rowKey 行键，table按照rowKey的字典序进行排序
• Column Family 列族
  • HBase表中每列都归属于某个列族
• Column列
  • 列是列族下的一个列，用列族名:列名，表示为info:name
• cell单元格
  • 指定row key行键、列族、列，可以确定一个cell单元格
  • cell中的数据是没有类型的，全部是以字节数组存储
• TimeStamp 时间戳
  • 可以对表中的cell多次赋值，每次赋值操作时时间戳，可看做cell值的版本号，一个cell可以有多个版本值

HBase整体架构

• client客户端是操作HBase集群的入口
  • 对管理类的操作，如表的增删改操作，Client通过RPC和HMaster通信完成
  • 对表数据的读写操作，Client通过RPC和RegionServer交互，读写数据
• Client类型
  • HBase shell
  • Java编程接口
  • Thrift、Avro、Rest等
• ZooKeeper集群
  • 实现了HMaster的高可用，多HMaster间进行主备选举
  • 保存了HBase的源信息meta表，提供了HBase表中region的寻址入口
  • 对HMaster和HRegionServer实现了监控
• HMaster
  • HBase集群也是主从架构，HMaster是主的角色
  • 主要负责Table表和Region的相关管理工作
  • 关于Table
    • 管理Client对table的增删改操作
    • 关于Region
      • 在Region分裂后，负责新Region分配到指定的HRegionServer上
      • 管理HRegionServer间的负责均衡，迁移region分布
      • 当HRegionServer宕机之后，负责其上的region的迁移
• HRegionServer
  • HBase集群中从的角色
  • 作用
    • 响应客户端的读写数据请求
    • 负责管理一系列的Region
    • 切分在运行过程中变大的Region
• Region
  • HBase集群中分布式存储的最小单元
  • 一个Region对应一个Table表中的部分数据

2. Flume

概念

• flume是cloudera提供的一个高可用的、高可靠、分布式的海量日志采集、聚合和传输的系统
• Flume支持在日志系统中定制各类数据发送方，用于收集数据
• Flume提供对数据进行简单处理，并写到各种数据接收方（可定制）的能力。

Flume架构

• Flume的核心是把数据从数据源收集过来，再送到目的地。为了保证输送一定成功，在送到目的地之前，会先缓存数据，待数据真正送到目的地之后，删除自己本地缓存的数据。
• Flume分布式系统中最核心的角色是agent，fluem采集系统就是若干个agent连接起来形成。
• 每个agent相当于一个数据传送员，内部有三个组件
  • source
    • 采集组件，用于跟数据源对接，以获取数据
  • channel
    • 传输通道组件，缓存数据，用于从source将数据传递到sink
  • sink
    • 下沉组件，数据发送给最终存储系统或下一级agent

3. Nginx

概念

• 一个高性能的文本服务器和反向代理服务器，也可作为邮件代理服务器
• 特点是占有内存少，并发处理强，以高性能、低系统资源消耗而闻名，

正向代理和反向代理

• 正向代理。类似一个跳板机，代理访问外部资源。如科学上网，国内网络连不上某网站，但是能访问一个代理服务器，使用这个代理服务器访问不能访问的网站，然后代理服务器返回访问的内容
• 反向代理。以代理服务器接受internet上的连接请求，然后将请求转发给内部网络上的服务器，并将从服务器上返回的结果返回给internet上请求连接的客户端，此时代理服务器对外表现为一个反向代理服务器。

Nginx主要应用

nginx主要通过配置nginx.conf文件完成以下功能。

• 应用部署
• 负载均衡
• 静态代理
• 动静分离

4. Redis

Redis是内存数据库，作为热门的NoSQL数据库之一被很多互联网公司使用，是一个key-value存储系统，类似于Java中的Map; 同时Redis还可以通过实现数据的持久化来防止数据丢失；Redis可以周期性的将更新的数据写入磁盘中。

4.1 概述

Redis是一个支持lua脚本、LRU内存回收、内存复制机制、事务和不同级别磁盘持久化特点的开源内存数据结构存储库。它支持散列、字符串、集合、列表、范围查询的有序集、位图和具有半径查询的地理空间索引等数据结构，通常用作数据库、缓存和消息代理。另外，它还可以通过Redis Sentinel提供高可用性，并通Redis Cluster进行自动分区。Redis是一个高性能的、开源的、基于key-value键值对的缓存和存储系统。Redis使用起来很方便，可以提供多种键值数据来适应不同场景下的缓存和存储要求。

4.2 特点

Redis是内存数据库，从内存中读取数据的速度远远快于从硬盘中读取。

Redis特点

• 数据读取性能高，速度快，主要适合存储一些读取频繁、变化较小的数据。
• 支持丰富的数据类型。Redis支持二进制的String、List、Hash和Set等数据类型操作，并且对不同的数据类型提供了很方便的操作方式。例如，Redis支持的String存储类型可以包含任何数据，可以是JPG图片，也可以是序列化的对象，同时Hash类型可以通过key对应多个value的存储形势，可避免key值过多而消耗大量内存的情况。
• 原子性。Redis的操作是原子性的，支持事务。所谓原子性就是指一系列对数据的操作要么都成功，要么都失败。原子性的特点不需要我们考虑并发的问题。
• Redis还有一个特点就是可以设置key的过期时间，一旦到了过期时间，Redis会自动删除缓存信息。另外，redis也可以将内存中的数据以异步的方式写入硬盘中，从而可以避免内存数据丢失的问题。

5. Kafka

概述

kafka是一个分布式消息队列，具有高性能、持久化、多副本备份、横向扩展能力。生产者往队列中写消息，消费者从队列中取消息进行业务逻辑。Kafka是一种发布-订阅模式。将消息保存在磁盘中，以顺序方式读写方式读取磁盘，避免随机读写导致性能瓶颈。

集群架构

kafka集群架构

• producer
  • 消息生产者，发布消息到kafka集群的终端或服务
• broker
  • kafka集群中包含的服务器，一个broker表示kafka集群中的一个节点
• topic
  • 每条发布到kafka集群的消息属于的类别，即kafka是面向topic的。更通俗的说topic就像一个消息队列，生产者可以向其写入消息，消费者从中读取消息，一个topic支持多个生产者和多个订阅者同时订阅，所以扩展性好。
• pritition
  • 每个topic包含一个或多个partition。kafka分配的单位是partition
• replica
  • partition的副本，保障partition的高可用
• consumer
  • 从kafka集群中消费消息的终端或服务
• consumer group
  • 每个consumer都属于一个consumer group,每条消息只能比consumer group中的一个consumer消费，但可以被多个consumer group消费。
• leader
  • 每个partition有多个副本，其中有且仅有一个作为leader，leader是当前负责数据读写的partition。producer和consumer只能leader交互。
• follower
  • follower跟随leader，所有写请求由leader路由，数据变更会广播到所有follower，follower与leader保持数据同步。如果leader失效，则从follower中选举出一个新的leader。
• controller
  • 负责监控kafka集群范围内的所有东西
• zookeeper
  • kafka通过zookeeper存储集群中meta元数据信息
  • 一旦controller所在的broker宕机了，此时临时节点消失，集群里其他broker会一直监听这个临时节点，发现临时节点消失了，就争抢再次创建临时节点，保证有一台新的broker会成为controller角色
• offset
  • 消费者在对应分区上已经消费的消息数
  • kafka0.8版本之前offset保存在zookeeper上
  • kafka0.8之后offset保存在kafka集群上
• ISR机制
  • 保证follower和leader数据的同步。

6 推荐系统

推荐分类

• 社会化推荐，例如向亲朋好友推荐
• 基于内容的推荐，根据搜索结果返回的内容
• 基于流行度的推荐，根据近期视频热度排行榜
• 基于协同过滤的推荐，根据用户历史内容推荐

推荐模型构建流程

1. 数据获取
2. 特征构建
3. 算法选择
4. 输出预测

推荐系统的核心算法基本逻辑是

• 和你有相似爱好的人所喜欢的物品，也是你所喜欢的，user-based 协同过滤

• 和你所喜欢的物品类似的物品，你也是喜欢的，item-based 协同过滤

计算相似度的方法

• Jaccard相似度 $J(a,b)=\frac{|a\cap b|}{|a\cup b|}$

• 余弦相似度 $cos\theta =\frac{ab}{|a||b|}$

• 对数似然相似度 $similarity=2\times (matrixEntropy-rowEntropy-columnEntropy)$

• 皮尔逊相似度 $corr(a,b)=\frac{Cov(a,b)}{\sqrt{{\sigma }_a^2}\sqrt{{\sigma }_b^2}}$

• 如果基于user-based的协同过滤算法，那么我们需要求出所有用户间的皮尔逊相似度，然后通过k近邻算法找到和被推荐用户最相似的k个用户，将他们评分高且被推荐用户未购买过的商品推荐给这些用户。

• 如果使用基于item-based的协同过滤算法，我们需求出所有商品之间的皮尔逊相似度，然后找到和被推荐用户购买过的商品相似度最大的商品，推荐给这些用户。

Lambda架构

在lambda架构中，主要包括离线数据层，实时处理层和服务层。在离线处理层部分将产生的数据存储到HDFS上，通过MapReduce进行离线处理，MapReduce将处理完的模型存储到Redis中，在实时处理部分SparkStreaming基于Kafka实时得到的数据写入redis并从redis中获得推荐结果。服务层通过restful完成推荐结果的呈现，将结果推荐给用户。