大数据生态圈所涉及的技术(二)

发表于:2018-7-06 09:35  作者:51Testing采编   来源:CSDN

字体: | 上一篇 | 下一篇 |我要投稿 | 推荐标签:

  第四章:把Hadoop上的数据搞到别处去
  Hive和MapReduce进行分析了。那么接下来的问题是,分析完的结果如何从Hadoop上同步到其他系统和应用中去呢?其实,此处的方法和第三章基本一致的

  第五章:让sql更快
  其实大家都已经发现Hive后台使用MapReduce作为执行引擎,实在是有点慢。因此SQL On Hadoop的框架越来越多,按我的了解,最常用的按照流行度依次为SparkSQL、Impala和Presto.这三种框架基于半内存或者全内存,提供了SQL接口来快速查询分析Hadoop上的数据,对比一下性能测试
  impala与presto性能相当,SparkSql逊色不少。
  目前看presto相比impala
  1、与hive实时共享元数据,impala需要用另外定时任务广播元数据,新生成的数据,用impala不能立即查询。
  2、没有出现操作大数据集有时挂掉的情况
  3、presto与hive都由fackbook开源,兼容性应该会更好点
  测试结果对比如下:
  我们目前使用的是SparkSQL,至于为什么用SparkSQL,原因大概有以下吧:使用Spark还做了其他事情,不想引入过多的框架;Impala对内存的需求太大,没有过多资源部署。
  5.1 关于Spark和SparkSQL
  什么是Spark,什么是SparkSQL
  Spark有的核心概念及名词解释
  SparkSQL和Spark是什么关系,SparkSQL和Hive是什么关系
  SparkSQL为什么比Hive跑的快
  5.2 如何部署和运行SparkSQL
  Spark有哪些部署模式?
  如何在Yarn上运行SparkSQL?
  使用SparkSQL查询Hive中的表。Spark不是一门短时间内就能掌握的技术,因此建议在了解了Spark之后,可以先从SparkSQL入手,循序渐进

  第六章:一次采集、多次消费
  在实际业务场景下,特别是对于一些监控日志,想即时的从日志中了解一些指标(关于实时计算,后面章节会有介绍),这时候,从HDFS上分析就太慢了,尽管是通过Flume采集的,但Flume也不能间隔很短就往HDFS上滚动文件,这样会导致小文件特别多。
  为了满足数据的一次采集、多次消费的需求,这里要说的便是Kafka
  6.1 关于Kafka
  什么是Kafka?Kafka的核心概念及名词解释。
  6.2 如何部署和使用Kafka
  使用单机部署Kafka,并成功运行自带的生产者和消费者例子。使用Java程序自己编写并运行生产者和消费者程序。Flume和Kafka的集成,使用Flume监控日志,并将日志数据实时发送至Kafka。
  这时,使用Flume采集的数据,不是直接到HDFS上,而是先到Kafka,Kafka中的数据可以由多个消费者同时消费,其中一个消费者,就是将数据同步到HDFS
  截止到这里你应该已经具备以下技能和知识点:
  为什么Spark比MapReduce快
  使用SparkSQL代替Hive,更快的运行SQL
  使用Kafka完成数据的一次收集,多次消费架构
  自己可以写程序完成Kafka的生产者和消费者
  从前面的学习,你已经掌握了大数据平台中的数据采集、数据存储和计算、数据交换等大部分技能,而这其中的每一步,都需要一个任务(程序)来完成,各个任务之间又存在一定的依赖性,比如,必须等数据采集任务成功完成后,数据计算任务才能开始运行。如果一个任务执行失败,需要给开发运维人员发送告警,同时需要提供完整的日志来方便查错。

  第七章:越来越多的分析任务
  不仅仅是分析任务,数据采集、数据交换同样是一个个的任务。这些任务中,有的是定时触发,有点则需要依赖其他任务来触发。当平台中有几百上千个任务需要维护和运行时候,仅仅靠crontab远远不够了,这时便需要一个调度监控系统来完成这件事。调度监控系统是整个数据平台的中枢系统,类似于AppMaster,负责分配和监控任务。
  7.1 Apache Oozie
  Oozie是什么?有哪些功能?
  Oozie可以调度哪些类型的任务(程序)?
  Oozie可以支持哪些任务触发方式?
  安装配置Oozie。
  7.2 其他开源的任务调度系统
  Azkaban,light-task-scheduler,Zeus,等等。另外,我这边是之前单独开发的任务调度与监控系统

  第八章:数据要实时
  在第六章介绍Kafka的时候提到了一些需要实时指标的业务场景,实时基本可以分为绝对实时和准实时,绝对实时的延迟要求一般在毫秒级,准实时的延迟要求一般在秒、分钟级。对于需要绝对实时的业务场景,用的比较多的是Storm,对于其他准实时的业务场景,可以是Storm,也可以是Spark Streaming。当然,如果可以的话,也可以自己写程序来做。
  8.1 Storm
  什么是Storm?有哪些可能的应用场景?
  Storm由哪些核心组件构成,各自担任什么角色?
  Storm的简单安装和部署。
  自己编写Demo程序,使用Storm完成实时数据流计算。
  8.2 Spark Streaming
  什么是Spark Streaming,它和Spark是什么关系?
  Spark Streaming和Storm比较,各有什么优缺点?
  使用Kafka + Spark Streaming,完成实时计算的Demo程序。
  至此,你的大数据平台底层架构已经成型了,其中包括了数据采集、数据存储与计算(离线和实时)、数据同步、任务调度与监控这几大模块。接下来是时候考虑如何更好的对外提供数据了。

  第九章:数据要对外
  通常对外(业务)提供数据访问,大体上包含以下方面。
  离线:比如,每天将前一天的数据提供到指定的数据源(DB、FILE、FTP)等;离线数据的提供可以采用Sqoop、DataX等离线数据交换工具。
  实时:比如,在线网站的推荐系统,需要实时从数据平台中获取给用户的推荐数据,这种要求延时非常低(50毫秒以内)。根据延时要求和实时数据的查询需要,可能的方案有:HBase、Redis、MongoDB、ElasticSearch等。
  OLAP分析:OLAP除了要求底层的数据模型比较规范,另外,对查询的响应速度要求也越来越高,可能的方案有:Impala、Presto、SparkSQL、Kylin。如果你的数据模型比较规模,那么Kylin是最好的选择。
  即席查询:即席查询的数据比较随意,一般很难建立通用的数据模型,因此可能的方案有:Impala、Presto、SparkSQL。
  这么多比较成熟的框架和方案,需要结合自己的业务需求及数据平台技术架构,选择合适的。原则只有一个:越简单越稳定的,就是最好的

【有奖活动】填问卷 送70G测试大牛精品资料(干货+视频)!

评 论

论坛新帖

顶部 底部


建议使用IE 6.0以上浏览器,800×600以上分辨率,法律顾问:上海瀛东律师事务所 张楠律师
版权所有 上海博为峰软件技术股份有限公司 Copyright©51testing.com 2003-2018, 沪ICP备05003035号
投诉及意见反馈:webmaster@51testing.com; 业务联系:service@51testing.com 021-64471599-8017

沪公网安备 31010102002173号

51Testing官方微信

51Testing官方微博

扫一扫 测试知识全知道