大数据平台介绍【高教知识】

1、大数据平台介绍,大数据 二零一五年七月,1,全面分析,2,目录,Hadoop大数据生态圈介绍,大数据应用介绍,3,Cloudera Manager介绍,2,Hadoop大数据生态圈,3,全面分析,Hadoop生态圈,4,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

2、提供了计算,5,Hadoop能解决哪些问题,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,6,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,7,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

3、价的，对于低延迟访问，可以用Hbase（hadoop的子项目）。 大量的小文件 多用户写入，任意修改,8,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

4、存储上不会占用64MB的空间 Block大小和副本数由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,9,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

5、送给NameNode；紧急情况下，可辅助恢复NameNode，但Secondary NameNode并非NameNode的热备,10,HDFS文件读取,11,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

6、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、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,12,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

7、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,13,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

8、过心跳机制完成的。 TaskTracker会主动向JobTracker询问是否有作业要做，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,14,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

9、,15,MapReduce工作原理,16,Hadoop实例,根据URL的顶级域名进行分类统计 输入、输出格式：文件 源文件格式如下： 统计目标,17,Hadoop实例,1. 编写MapReduce函数，客户端作业 Map函数,18,Hadoop实例,Reduce函数 Job设置,19,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,20,Hadoop实例,使用Hadoop命令提交作业 提交作业 查看作业 http:/localhost:50030,21,Hadoop实例,查看执行结

10、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,22,Hive简介,Hive是什么 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 Ha

11、doop 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,23,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_v2,24,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,25,Hive实例,根据URL的顶级域名进行分类统计-Hive实现 1.

12、 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 select net_id,regexp_replace(net_url,(.+.), ) from net_addr_1; 3. 根据中间表数据进行统计,26,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

13、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 Server上搭建起大规模结构化存储集群,27,Hbase架构,28,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.HBaseSto

14、rageHandler WITH SERDEPROPERTIES (hbase.columns.mapping = :key,id01) TBLPROPERTIES( = 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,29,Hbase实例,30,大数据应用介绍,31,全面分析,用户上网行为分析系统,32,用户行为分析系统数据处理流程图,33,唯品会日志处理框架简介,34,唯品会日志处理框架简介,35,全

15、国重点车辆联网联控平台,36,Cloudera Manager介绍,37,全面分析,Cloudera Manager介绍,CDH (Clouderas Distribution, including Apache Hadoop)，是Hadoop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 M

16、anager有四大功能 （1）管理 （2）监控 （3）诊断 （4）集成,38,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,39,Cloudera Manager介绍,Cloudera Impala Cloudera Impala对

17、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

18、数查询数据，从而大大降低了延迟,40,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,41,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