大数据平台架构

一、数据采集

1.ETL，数据从来源端经过抽取（extract）、交互转换（transform）、加载（load）至目的端的过程。

开源工具：Apatat,Scriptella,Talend,kettle

2.实时采集

Flume,

Flink 流处理，批处理都可

Kafka场景应用

• 日志收集：一个公司可以用Kafka可以收集各种服务的log，通过kafka以统一接口服务的方式开放给各种consumer，例如hadoop、Hbase、Solr等。

• 消息系统：解耦和生产者和消费者、缓存消息等。

• 用户活动跟踪：Kafka经常被用来记录web用户或者app用户的各种活动，如浏览网页、搜索、点击等活动，这些活动信息被各个服务器发布到kafka的topic中，然后订阅者通过订阅这些topic来做实时的监控分析，或者装载到hadoop、数据仓库中做离线分析和挖掘。

• 运营指标：Kafka也经常用来记录运营监控数据。包括收集各种分布式应用的数据，生产各种操作的集中反馈，比如报警和报告。

• 流式处理：比如spark streaming和storm

• 事件源

分布式流处理平台 Kafka Streams。

Faust 把 Kafka Streams 带到了 PythonFaust 需求 Python 3.6 或以上

二、数据存储

HDFS

Hive 根据SQL自动生成MapReduce

HBase 分布式面向列开源数据库

关系数据库

Sqoop，DataX HDFS，Hive与关系数据库之间传递 Sqoop比较繁重

三、分析计算

Spark 在MapReduce的基础上进行了改进，它主要使用内存进行中间计算数据存储，加快了计算执行时间，RDD弹性数据集，Dataframe

SparkSQL

SparkMLlib

统计分析、数据挖掘、机器学习、深度学习

四、实时计算

Storm

Spark Streaming 将实时流入的数据切分成小的一批一批的数据，然后将这些小的一批批数据交给Spark执行。由于数据量比较小，Spark Streaming又常驻系统，不需要重新启动，因此可以在毫秒级完成计算，看起来像是实时计算一样

Flink 其架构原理和Spark Streaming很相似，它可以基于不同的数据源，根据数据量和计算场景的要求，灵活地适应流计算和批处理计算。

五、调度

调度引擎Oozie，HUE

六、应用呈现

CRM，ERP，FineReport，

OLAP 联机分析 多维度多度量，钻取，旋转，切片，切块，数据CUBE与运算。