大数据平台介绍

1、大数据平台介绍,大数据 二零一五年七月,2,目录,hadoop大数据生态圈介绍,大数据应用介绍,3,cloudera manager介绍,hadoop大数据生态圈,hadoop生态圈,hadoop简介,hadoop一个分布式系统基础架构，由apache基金会开发。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力高速运算和存储 。简单地说来，hadoop是一个可以更容易开发和运行处理大规模数据的软件平台。 hadoop的框架最核心的设计就是：hdfs和mapreduce。hdfs为海量的数据提供了存储，则mapreduce为海量的数据提供了计算,hadoop能解决哪些问

2、题,海量数据需要及时分析和处理。 海量数据需要深入分析和挖掘。 数据需要长期保存 问题： 磁盘io成为一种瓶颈,而非cpu资源。 网络带宽是一种稀缺资源 硬件故障成为影响稳定的一大因素,hdfs适应条件,hdfs：为以流式数据访问模式存储超大文件而设计的文件系统。 流式数据访问 指的是几百mb，几百gb，几百tb，甚至几百pb 流式数据访问 hdfs建立的思想是：一次写入、多次读取模式是最高 效的。 商用硬件 hadoop不需要运行在昂贵并且高可靠的硬件上,hdfs不适应条件,低延迟数据访问 hdfs是为了达到高数据吞吐量而优化的，这是以延迟为代价的，对于低延迟访问，可以用hbase（hado

3、op的子项目）。 大量的小文件 多用户写入，任意修改,hdfs基本单元,block(块)：hdfs基本储存单元，是个逻辑单元。一个文件有可能包含多个块，一个块有可以包含多个文件，由文件的大小和块大小的参数决定。dfs.block.size参数。hdfs中block的大小，默认64mb，如果设置大，就会有可能导致map运行慢，设置小，有可能导致map个数多，所有一定要设置适当。（目前主流机器建议设置为128m） 设置一个block 64mb，如果上传文件小于该值，仍然会占用一个block的命名空间（namenode metadata），但是物理存储上不会占用64mb的空间 block大小和副本数

4、由client端上传文件到hdfs时设置，其中副本数可以变更，block是不可以再上传后变更的,hdfs处理机制,client：切分文件；访问hdfs；与namenode交互，获取文件位置信息；与datanode交互，读取和写入数据。 namenode：master节点，管理hdfs的名称空间和数据块映射信息，配置副本策略，处理客户端请求。 datanode：slave节点，存储实际的数据，汇报存储信息给namenode。 secondary namenode：辅助namenode，分担其工作量；定期合并fsimage和fsedits，推送给namenode；紧急情况下，可辅助恢复nameno

5、de，但secondary namenode并非namenode的热备,hdfs文件读取,mapreduce简介,简介 mapreduce 是一个高性能的批处理分布式计算框架，用于对海量数据进行并行分析和处理。 mapreduce 将分析任务分为大量的并行 map 任务和 reduce 任务两类。 与传统数据仓库和分析技术相比，mapreduce 适合处理各种类型的数据，包括结构化、半结构化和非结构化数据。 结构化、半结构化、非结构化数据 结构化数据（即行数据，存储在数据库里，可以用二维表结构来逻辑表达实现的数据） 不方便用数据库二维逻辑表来表现的数据即称为非结构化数据（包括所有格式的办公文档

6、、文本、图片、xml、html、各类报表、图像和音频/视频信息等等） 所谓半结构化数据，就是介于完全结构化数据（如关系型数据库、面向对象数据库中的数据）和完全无结构的数据（如声音、图像文件等）之间的数据，html文档就属于半结构化数据。它一般是自描述的，数据的结构和内容混在一起，没有明显的区分,mapreduce简介,适合处理的任务 适用于离线批处理任务 是以“行”为处理单位的，无法回溯已处理过的“行”，故每行都必须是一个独立的语义单元，行与行之间不能有语义上的关联。 相对于传统的关系型数据库管理系统，mapreduce计算模型更适合于处理半结构化或无结构话的数据。 不适合处理的任务 不适合一

7、般web应用 不适合实时响应的任务 不适合小数据集的处理 不适合需要大量临时空间的任务 不适合cpu密集且具有许多交叉调用的任务,mapreduce工作原理,mapreduce执行流程 mapreduce角色 client ：作业提交发起者。 jobtracker: 初始化作业，分配作业，与tasktracker通信，协调整个作业。 tasktracker：保持jobtracker通信，在分配的数据片段上执行mapreduce任务。 任务的分配 tasktracker和jobtracker之间的通信与任务的分配是通过心跳机制完成的。 tasktracker会主动向jobtracker询问是否有

8、作业要做，如果自己可以做，那么就会申请到作业任务，这个任务可以使map也可能是reduce任务,mapreduce工作原理,任务的执行 申请到任务后，tasktracker会做如下事情： 拷贝代码到本地 拷贝任务的信息到本地 启动jvm运行任务 状态与任务的更新 任务在运行过程中，首先会将自己的状态汇报给tasktracker，然后由tasktracker汇总告之jobtracker。 作业的完成 jobtracker是在接受到最后一个任务运行完成后，才会将任务标志为成功。 此时会做删除中间结果等善后处理工作,mapreduce工作原理,hadoop实例,根据url的顶级域名进行分类统计 输入

9、、输出格式：文件 源文件格式如下： 统计目标,hadoop实例,1. 编写mapreduce函数，客户端作业 map函数,hadoop实例,reduce函数 job设置,hadoop实例,编译、打包成jar文件 略 3. 源文件提交到hdfs文件系统 文件从本地提交到hdfs文件系统put命令 查看hdfs文件系统中已提交的文件,hadoop实例,使用hadoop命令提交作业 提交作业 查看作业 http:/localhost:50030,hadoop实例,查看执行结果 查看执行结果生成的文件 查看hdfs文件系统中的结果 hdfs文件拷贝到本地，查看结果,hive简介,hive是什么 hiv

10、e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，并提供完整的sql查询功能，可以将sql语句转换为mapreduce任务进行运行。其优点是学习成本低，可以通过类sql语句快速实现简单的mapreduce统计，不必开发专门的mapreduce应用，十分适合数据仓库的统计分析。 hive是建立在 hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（etl），这是一种可以存储、查询和分析存储在 hadoop 中的大规模数据的机制。hive 定义了简单的类 sql 查询语言，称为 hql，它允许熟悉 sql 的用户查询数据。同时，这

11、个语言也允许熟悉 mapreduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作,hive实例,创建托管表 1. 在hive命令行执行建表语句 2. 查看元数据库中的表信息、字段信息sds、columns_v2,hive实例,3. 从本地向net_addr_1表中导入数据 4. 查看导入的数据,hive实例,根据url的顶级域名进行分类统计-hive实现 1. 源数据入表略，使用已生成的net_addr_1 2. 源数据加工转换，生成中间表 insert overwrite table net_addr_3

12、select net_id,regexp_replace(net_url,(.+.), ) from net_addr_1; 3. 根据中间表数据进行统计,hbase简介,hbase是一个针对结构化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。和传统关系数据库不同，hbase采用了bigtable的数据模型：增强的稀疏排序映射表（key/value），其中，键由行关键字、列关键字和时间戳构成。hbase提供了对大规模数据的随机、实时读写访问，同时，hbase中保存的数据可以使用mapreduce来处理，它将数据存储和并行计算完美地结合在一起。利用hbase技术可在廉价pc se

13、rver上搭建起大规模结构化存储集群,hbase架构,hbase实例,1、构建hbase表hbase_test hbase create hbase_test, id01 2、构建hive外表hive_test, 并对应hbase_test表 create external table hive_test (id01 string) stored by org.apache.hadoop.hive.hbase.hbasestoragehandler with serdeproperties (hbase.columns.mapping = :key,id01) tblproperties(hb

14、 = hbase_test); 3、数据通过hive_test导入到hbase_test表中 insert overwrite table hive_test select id01 from hive_date,hbase实例,大数据应用介绍,用户上网行为分析系统,用户行为分析系统数据处理流程图,唯品会日志处理框架简介,唯品会日志处理框架简介,全国重点车辆联网联控平台,cloudera manager介绍,cloudera manager介绍,cdh (clouderas distribution, including apache hadoop)，是hadoop

15、众多分支中的一种，由cloudera维护，基于稳定版本的apache hadoop构建，并集成了很多补丁，可直接用于生产环境。 cloudera manager则是为了便于在集群中进行hadoop等大数据处理相关的服务安装和监控管理的组件，对集群中主机、hadoop、hive、hbase、spark等服务的安装配置管理做了极大简化。 cloudera manager有四大功能 （1）管理 （2）监控 （3）诊断 （4）集成,cloudera manager介绍,cloudera flume flume是cloudera提供的日志收集系统，flume支持在日志系统中定制各类数据发送方，用于收集数

16、据； flume是cloudera提供的一个高可用的，高可靠的，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；同时，flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力,cloudera manager介绍,cloudera impala cloudera impala对你存储在apache hadoop在hdfs，hbase的数据提供直接查询互动的sql。除了像hive使用相同的统一存储平台，impala也使用相同的元数据，sql语法（hive sql），odbc驱动程序和用户界面（hue beeswax）。impala

17、还提供了一个熟悉的面向批量或实时查询和统一平台。 impala不再使用缓慢的hive+mapreduce批处理，而是通过与商用并行关系数据库中类似的分布式查询引擎（由query planner、query coordinator和query exec engine三部分组成），可以直接从hdfs或者hbase中用select、join和统计函数查询数据，从而大大降低了延迟,cloudera manager介绍,cloudera hue hue是cdh专门的一套web管理器，它包括3个部分hue ui，hue server，hue db。hue提供所有的cdh组件的shell界面的接口。你可以在

18、hue编写mr，查看修改hdfs的文件，管理hive的元数据，运行sqoop，编写oozie工作流等大量工作,cloudera manager介绍,spark spark与hadoop一样，用于构建大规模、低延时的数据分析应用。spark采用scala语言实现，使用scala作为应用框架。spark采用基于内存的分布式数据集，优化了迭代式的工作负载以及交互式查询。与hadoop不同的是，spark和scala紧密集 成，scala像管理本地collective对象那样管理分布式数据集。spark支持分布式数据集上的迭代式任务，实际上可以在hadoop文件系统 上与hadoop一起运行 spark基于map reduce算法实现的分布式计算，拥有hadoop mapreduce所具有的优点；但不同于mapreduce的是j