大数据常用组件总结
转载自https://blog.csdn.net/baidu_28398971/article/details/70821114
Hadoop生态圈各常用组件介绍
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。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进行高速运算和存储。具有可靠、高效、可伸缩的特点。
Hadoop的核心是YARN,HDFS和MapReduce。Hdfs是分布式文件存储系统，用于存储海量数据；MapReduce是并行处理框架，实现任务分解和调度。Hadoop可以用来搭建大型数据仓库，对海量数据进行存储、分析、处理和统计等业务，功能十分强大。
Hadoop具有成熟的生态系统，包括众多的开源工具，从下图可以大致看出Hadoop生态圈的庞大。
图1 hadoop生态圈
下面对其中常用的组件进行介绍。
一、 HDFS
Hdfs是hadoop的核心组件，hdfs上的文件被分成块进行存储，默认块的大小是64M，块是文件存储处理的逻辑单元。
HDFS是Master和Slave的结构。分NameNode、SecondaryNameNode、DataNode这几个角色。
NameNode：是Master节点，管理数据块映射，处理客户端的读写请求，配置副本策略，管理HDFS的名称空间；
SecondaryNameNode：是NameNode的冷备份，分担NameNode的工作量，合并fsimage和fsedits然后再发给NameNode，定期同步元数据映像文件和修改日志，当NameNode发生故障时，备份转正。
DataNode：是Slave节点，负责存储client发来的数据块block，执行数据块的读写操作，定期向NameNode发送心跳信息。
图2 hdfs 读文件流程
图3 hdfs写文件流程
Hdfs的特点：
1. 数据冗余，硬件容错，每个数据块有三个备份；
2. 流式的数据访问，数据写入不易修改；
3. 适合存储大文件，小文件会增加NameNode的压力。
Hdfs的适用性与局限性；
1. 适合数据批量读写，吞吐量高；
2. 不适合做交互式应用，低延迟很难满足；
3. 适合一次写入多次读取，顺序读写；
4. 不支持多用户并发写相同文件。
二、 MapReduce
MapReduce的工作原理用一句话概括就是，分而治之，然后归约，即将一个大任务分解为多个小任务（map），并行执行后，合并结果（reduce）。
整个MapReduce的过程大致分为Map-->Shuffle（排序）-->Combine（组合）-->Reduce。
图4 MapReduce工作过程
1.将文件拆分成splits(片)，并将每个split按行分割形成
2.将分割好的
3.得到map方法输出的
4.Reducer先对从Mapper接收的数据进行排序，再交由用户自定义的reduce方法进行处理，得到新的
三、 YARN
YARN是Hadoop 2.0中的资源管理系统，它的基本设计思想是将MRv1中的JobTracker拆分成了两个独立的服务：一个全局的资源管理器ResourceManager和每个应用程序特有的ApplicationMaster。其中ResourceManager负责整个系统的资源管理和分配，而ApplicationMaster负责单个应用程序的管理。
YARN总体上仍然是Master/Slave结构，在整个资源管理框架中，ResourceManager为Master，NodeManager为Slave，ResourceManager负责对各个NodeManager上的资源进行统一管理和调度。当用户提交一个应用程序时，需要提供一个用以跟踪和管理这个程序的ApplicationMaster，它负责向ResourceManager申请资源，并要求NodeManger启动可以占用一定资源的任务。由于不同的ApplicationMaster被分布到不同的节点上，因此它们之间不会相互影响。
1.ResourceManager（RM）
RM是一个全局的资源管理器，负责整个系统的资源管理和分配。它主要由两个组件构成：调度器（Scheduler）和应用程序管理器（Applications Manager，ASM）。
（1）调度器
调度器根据容量、队列等限制条件（如每个队列分配一定的资源，最多执行一定数量的作业等），将系统中的资源分配给各个正在运行的应用程序。
需要注意的是，该调度器是一个“纯调度器”，它不再从事任何与具体应用程序相关的工作，比如不负责监控或者跟踪应用的执行状态等，也不负责重新启动因应用执行失败或者硬件故障而产生的失败任务，这些均交由应用程序相关的ApplicationMaster完成。调度器仅根据各个应用程序的资源需求进行资源分配，而资源分配单位用一个抽象概念“资源容器”（ResourceContainer，简称Container）表示，Container是一个动态资源分配单位，它将内存、CPU、磁盘、网络等资源封装在一起，从而限定每个任务使用的资源量。此外，该调度器是一个可插拔的组件，用户可根据自己的需要设计新的调度器，YARN提供了多种直接可用的调度器，比如Fair Scheduler和Capacity Scheduler等。
（2） 应用程序管理器
应用程序管理器负责管理整个系统中所有应用程序，包括应用程序提交、与调度器协商资源以启动ApplicationMaster、监控ApplicationMaster运行状态并在失败时重新启动它等。
2. ApplicationMaster（AM）
用户提交的每个应用程序均包含1个AM，主要功能包括：
1) 与RM调度器协商以获取资源（用Container表示）；
2) 将得到的任务进一步分配给内部的任务；
3) 与NM通信以启动/停止任务；
4) 监控所有任务运行状态，并在任务运行失败时重新为任务申请资源以重启任务。
3. NodeManager（NM）
NM是每个节点上的资源和任务管理器，一方面，它会定时地向RM汇报本节点上的资源使用情况和各个Container的运行状态；另一方面，它接收并处理来自AM的Container启动/停止等各种请求。
4. Container
Container是YARN中的资源抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等，当AM向RM申请资源时，RM为AM返回的资源便是用Container表示的。YARN会为每个任务分配一个Container，且该任务只能使用该Container中描述的资源。
5. YARN工作流程
当用户向YARN中提交一个应用程序后，YARN将分两个阶段运行该应用程序：
第一个阶段是启动ApplicationMaster；
第二个阶段是由ApplicationMaster创建应用程序，为它申请资源，并监控它的整个运行过程，直到运行完成。
如图5所示，YARN的工作流程分为以下几个步骤：
图5 YARN的工作流程
Step1：用户向YARN中提交应用程序，其中包括ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等；
Step2：ResourceManager为该应用程序分配第一个Container，并与对应的Node-Manager通信，要求它在这个Container中启动应用程序的ApplicationMaster；
Step3：ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManager查看应用程序的运行状态，然后它将为各个任务申请资源，并监控它的运行状态，直到运行结束，即重复步骤4~7；
Step4：ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请和领取资源；
Step5：一旦ApplicationMaster申请到资源后，便与对应的NodeManager通信，要求它启动任务；
Step6：NodeManager为任务设置运行环境（包括环境变量、JAR包、二进制程序等）后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务；
Step7：各个任务通过某个RPC协议向ApplicationMaster汇报自己的状态和进度，以让ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务。 在应用程序运行过程中，用户可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态；
Step8：应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己。
四、 Hive
Hive是构建在Hadoop HDFS上的一个数据仓库，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能，其本质是将SQL转换为MapReduce程序。
数据仓库是一个面向主题的、集成的、不可更新的、随时间变化的数据集合，它用于支持企业或组织的决策分析处理。
Hive的表其实就是HDFS的目录/文件。
1.Hive的体系结构
Hive默认采用的是Derby数据库进行元数据的存储（metastore），也支持mysql数据库。Hive中的元数据包括表的名字，表的列和分区及其属性，表的属性，表的数据所在目录等。
图6 Hive的体系结构
2.HQL的执行过程
解释器、编译器、优化器完成HQL查询语句从词语分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在HDFS中，并在随后的MapReduce调用执行。
3.Hive安装的三种模式
1.嵌入模式，数据存储在hive自带的derby数据库，只允许一个连接，多用于本地演示demo；
2.本地模式，一般是mysql，与hive位于同一台服务器，允许多连接，但实际生产环境并不用这种模式；
3.远程模式，mysql安装在远程服务器上，允许多连接，多用于实际生产环境。
4.Hive的数据类型
1）基本数据类型
整型：tinyint/smallint/int/bigint
浮点型：float/double
布尔型：Boolean
字符串：string
2）复杂数据类型
数组类型：Array，有一系列相同数据类型的元素组成
集合类型：Map，包括key->value键值对，可以通过key值访问元素
结构类型：struct，可以包含不同数据类型的元素，可以通过“点语法”的方式获得这些元素
3）时间类型
Date
Timestamp
5.hive与关系型数据库的不同
1) hive和关系数据库存储文件的系统不同，hive使用的是hadoop的HDFS（hadoop的分布式文件系统），关系数据库则是服务器本地的文件系统；
2) hive使用的计算模型是mapreduce，而关系数据库则是自己设计的计算模型；
3) 关系数据库都是为实时查询的业务进行设计的，而hive则是为海量数据做数据挖掘设计的，实时性很差；实时性的区别导致hive的应用场景和关系数据库有很大的不同；
4) Hive很容易扩展自己的存储能力和计算能力，这个是继承hadoop的，而关系数据库在这个方面要比数据库差很多。
6.Hive的管理
1）命令行方式（CLI方式）
--hive
--hive --service ci
2）web界面方式
端口号：9999
启动方式：hive --service hwi &
通过浏览器访问：http：//
3）远程服务访问
一个表可以有一个或者多个分区列，Hive将会为分区列上的每个不同的值组合创建单独的数据目录。分区列是虚拟列，要避免分区列名和数据列名相同，可以基于分区列进行查询。
五、 Pig
Pig是yahoo捐献给apache的一个项目，使用SQL-like语言，是在MapReduce上构建的一种高级查询语言，把一些运算编译进MapReduce模型的Map和Reduce中。
1.Pig运行模式：
1) 本地模式：Pig运行于本地模式，只涉及单独的一台计算机；本地模式下不支持MapReduce的（线程）并行，因为在当前的hadoop版本中，hadoop的LocalJobRunner 运行器不是一个线程安全的类。
2) MapReduce模式：Pig运行于MapReduce模式，需要能访问一个Hadoop集群，并且需要装上HDFS。
以pig命令方式启动：
（1）：pig -x local （local模式）
（2）pig -x mapreduce （集群模式）
以java命令启动模式：
（1），java -cp pig.jar org.opache.pig.Main -xlocal （local模式）
（2），java -cp pig.jar org.opache.pig.Main -xmapreduce （集群模式）
2.Pig调用方式：
1) Grunt shell方式：通过交互的方式，输入命令执行任务；
2) Pig script方式：通过script脚本的方式来运行任务。我们可以把pig的一系列处理，封装成一个pig脚本文件，后缀名以.pig结尾,正如我们把linux命令封装在.sh的脚本里，这样执行起来非常方便，而且容易管理。
3.pig的注释：
（1）多行注释：/*pig脚本语句*/
（2）当行注释：- - pig脚本语句
4.pig语法
在pig中，pig latin是使用pig来处理数据的基本语法，这类似于我们在数据库系统中使用SQL语句一样。
Pig latin语句，通常组织如下：
（一）一个load声明从文件系统上加载数据
使用load操作和（load/store）函数读数据进入Pig（默认的存储模式是PigStorage）;
（二）一系列的转化语句去处理数据
使用filter语句来过滤tuple或一行数据（类似于SQL中的where）;使用foreach语句来操作列的数据（类似于 select field1,filed 2 ,.... from table里面限制列返回。）;使用group语句来分组（类似SQL里面的group by）;使用cogroup，inner join，outerjoin来分组或关联两个以上的表关联（与SQL里的join类似）;使用union语句来合并两个以上关系的结果数据，使用split语句可以把一个表拆分为多个分散的小表（注意在这里说表，只是为了方便理解，在pig没有表这一个概念）.
（三）一个dump语句，来展示结果或者store语句来存储结果,只有Dump和Store语句能产生输出
使用store操作和load/store函数，可以将结果集写入文件系统中，默认的存储格式是PigStorage，在测试阶段，可以使用dump命令，直接将结果显示在我们的屏幕上，方便调试，在一个生产环境中，一般使用store语句，来永久存储结果集。
pig提供了一写操作符，来帮助我们调试我们的结果：
使用dump语句，显示结果在我们的终端屏幕上;
使用describe语句，来显示我们的schema的关系（类似查看表的结构）;
使用explain语句，来显示我们的执行逻辑或物理视图，可以帮助我们查看map，reduce的执行计划;
使用illustrate语句，可以一步步的查看我们的语句执行步骤;
此外，pig还定义了一些非常方面的别名集，来快速帮助我们调试脚本：
dump的别名 \d;describe的别名 \de;explain的别名 \e;illustrate的别名 \i;退出\q.
六、 Zookeeper
ZooKeeper是一个分布式的，开放源码的分布式应用程序协调服务，是Google的Chubby一个开源的实现，是Hadoop和Hbase的重要组件。它是一个为分布式应用提供一致性服务的软件，提供的功能包括：配置维护、域名服务、分布式同步、组服务等。
ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。
ZooKeeper本质上是一个分布式的小文件存储系统。原本是Apache Hadoop的一个组件，现在被拆分为一个Hadoop的独立子项目，在Hbase（Hadoop的另外一个被拆分出来的子项目，用于分布式环境下的超大数据量的DBMS）中也用到了ZooKeeper集群。
Hadoop，使用Zookeeper的事件处理确保整个集群只有一个NameNode，存储配置信息等.
HBase，使用Zookeeper的事件处理确保整个集群只有一个HMaster，察觉HRegionServer联机和宕机，存储访问控制列表等。
1. 启动ZK服务: sh bin/zkServer.sh start
2. 查看ZK服务状态: sh bin/zkServer.sh status
3. 停止ZK服务: sh bin/zkServer.sh stop
4. 重启ZK服务: sh bin/zkServer.sh restart
七、 Hbase
1.HBase简介
HBase – Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，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。
HBase是Google Bigtable的开源实现，类似Google Bigtable利用GFS作为其文件存储系统，HBase利用Hadoop HDFS作为其文件存储系统；Google运行MapReduce来处理Bigtable中的海量数据，HBase同样利用Hadoop MapReduce来处理HBase中的海量数据；Google Bigtable利用 Chubby作为协同服务，HBase利用Zookeeper作为对应。
在hadoop 的各层系统中，HBase位于结构化存储层，Hadoop HDFS为HBase提供了高可靠性的底层存储支持；Hadoop MapReduce为HBase提供了高性能的计算能力；Zookeeper为HBase提供了稳定服务和failover机制（failover 又称故障切换，指系统中其中一项设备或服务失效而无法运作时，另一项设备或服务即可自动接手原失效系统所执行的工作）；Pig和Hive为HBase提供了高层语言支持，使得在HBase上进行数据统计处理变的非常简单； Sqoop则为HBase提供了方便的RDBMS数据导入功能，使得传统数据库数据向HBase中迁移变的非常方便。
Row Key: 行键，Table的主键，Table中的记录按照Row Key排序；
Timestamp: 时间戳，每次数据操作对应的时间戳，可以看作是数据的version number；
Column Family：列簇，Table在水平方向有一个或者多个Column Family组成，一个Column Family中可以由任意多个Column组成，即Column Family支持动态扩展，无需预先定义Column的数量以及类型，所有Column均以二进制格式存储，用户需要自行进行类型转换。
Hbase shell 常用命令
| 名称 |
命令表达式 |
| 创建表 |
create '表名称', '列名称1','列名称2','列名称N' |
| 添加记录 |
put '表名称', '行名称', '列名称:', '值' |
| 查看记录 |
get '表名称', '行名称' |
| 查看表中的记录总数 |
count '表名称' |
| 删除记录 |
delete '表名' ,'行名称' , '列名称' |
| 删除一张表 |
先要屏蔽该表，才能对该表进行删除，第一步 disable '表名称' 第二步 drop '表名称' |
| 查看所有记录 |
scan "表名称" |
| 查看某个表某个列中所有数据 |
scan "表名称" , ['列名称:'] |
| 更新记录 |
就是重写一遍进行覆盖 |
八、 Sqoop
Hadoop正成为企业用于大数据分析的最热门选择，但想将你的数据移植过去并不容易。Apache Sqoop正在加紧帮助客户将重要数据从数据库移到Hadoop。随着Hadoop和关系型数据库之间的数据移动渐渐变成一个标准的流程，云管理员们能够利用Sqoop的并行批量数据加载能力来简化这一流程，降低编写自定义数据加载脚本的需求。
Apache Sqoop（SQL-to-Hadoop）项目旨在协助 RDBMS 与 Hadoop 之间进行高效的大数据交流。用户可以在 Sqoop 的帮助下，轻松地把关系型数据库的数据导入到 Hadoop 与其相关的系统 (如HBase和Hive)中；同时也可以把数据从 Hadoop 系统里抽取并导出到关系型数据库里。因此，可以说Sqoop就是一个桥梁，连接了关系型数据库与Hadoop。
图7 sqoop作用
sqoop中一大亮点就是可以通过hadoop的mapreduce把数据从关系型数据库中导入数据到HDFS。Sqoop架构非常简单，其整合了Hive、Hbase和Oozie，通过map-reduce任务来传输数据，从而提供并发特性和容错。
Sqoop工作机制:Sqoop在import时，需要制定split-by参数。Sqoop根据不同的split-by参数值来进行切分，然后将切分出来的区域分配到不同map中。每个map中再处理数据库中获取的一行一行的值，写入到HDFS中(由此也可知，导入导出的事务是以Mapper任务为单位)。同时split-by根据不同的参数类型有不同的切分方法，如比较简单的int型，Sqoop会取最大和最小split-by字段值，然后根据传入的num-mappers来确定划分几个区域。
表2 sqoop1和sqoop2区别
| 功能 |
Sqoop 1 |
Sqoop 2 |
| 用于所有主要 RDBMS 的连接器 |
支持 |
不支持 解决办法： 使用已在以下数据库上执行测试的通用 JDBC 连接器： Microsoft SQL Server 、PostgreSQL 、 MySQL 和 Oracle 。 此连接器应在任何其它符合 JDBC 要求的数据库上运行。但是，性能可能无法与 Sqoop 中的专用连接器相比 |
| Kerberos 安全集成 |
支持 |
不支持 |
| 数据从 RDBMS 传输至 Hive或 HBase |
支持 |
不支持 解决办法： 按照此两步方法操作。 将数据从 RDBMS 导入HDFS 在 Hive 中使用相应的工具和命令（例如 LOAD DATA 语句），手动将数据载入 Hive 或 HBase |
| 数据从 Hive或HBase传输至RDBMS |
不支持 解决办法： 按照此两步方法操作。 从 Hive 或HBase 将数据提取至 HDFS（作为文本或Avro 文件） 使用 Sqoop 将上一步的输出导出至RDBMS |
不支持 按照与 Sqoop 1 相同的解决方法操作 |
九、 Flume
Flume 作为cloudera 开发的实时日志收集系统，受到了业界的认可与广泛应用。Flume 初始的发行版本目前被统称为Flume OG（original generation），属于 cloudera。重构后的版本统称为 Flume NG（next generation）,属于Apache。
1.OG与NG比较
架构方面：
Flume OG有三种角色的节点：代理节点agent、收集节点collector、主节点master；
agent负责从各个数据源收集日志数据、将收集到的数据集中到collector,再由collector节点汇总存入到HDFS.而master负责管理agent\collector的活动；
agent、collector都称为node,node的角色根据配置的不同分为逻辑节点和物理节点,对于逻辑节点的区分、配置、使用非常复杂.
agent、collector由source、sink组成,表示当前节点的数据从source传送到sink
以上相对于Flume NG来说:
Flume NG只有一种角色节点：代理节点agent没有collector、master节点,这是最核心的变化.
去除逻辑节点和物理节点的概念和内容
agent节点的组成发生变化,由source、sink、channel三个组件组成。
Zookeeper方面：
Flume OG的稳定性依赖zookeeper,它需要zookeeper对其多类节点的工作进行管理,虽然OG可以使用内存的方式对各类节点进行管理,但需要用户忍受机器出现故障时信息丢失的出现.
Flume NG的节点角色数量由原来的3个缩减为1个,不存在多类角色的问题,所以不再需要zookeeper对各类节点协调的作用,由此脱离了对zookeeper的依赖.
2.flume中核心概念
| 组件 |
功能 |
| Agent |
使用JVM 运行Flume。每台机器运行一个agent，但是可以在一个agent中包含多个sources和sinks。 |
| Client |
生产数据，运行在一个独立的线程。 |
| Source |
从Client收集数据，传递给Channel。 |
| Sink |
从Channel收集数据，运行在一个独立线程。 |
| Channel |
连接 sources 和 sinks ，这个有点像一个队列。 |
| Events |
可以是日志记录、 avro 对象等。 |
3.数据流模型
Flume(水道)以agent为最小的独立运行单位。一个agent就是一个JVM。单agent由Source、Sink和Channel三大组件构成，如下图：
Flume的数据流由事件(Event)贯穿始终。事件是Flume的基本数据单位，它携带日志数据(字节数组形式)并且携带有头信息，这些Event由Agent外部的Source，比如上图中的Web Server生成。当Source捕获事件后会进行特定的格式化，然后Source会把事件推入(单个或多个)Channel中。你可以把Channel看作是一个缓冲区，它将保存事件直到Sink处理完该事件。Sink负责持久化日志或者把事件推向另一个Source。很直白的设计，其中值得注意的是，Flume提供了大量内置的Source、Channel和Sink类型。不同类型的Source,Channel和Sink可以自由组合。组合方式基于用户设置的配置文件，非常灵活。比如：Channel可以把事件暂存在内存里，也可以持久化到本地硬盘上。Sink可以把日志写入HDFS, Hbase，甚至是另外一个Source等等。