Hang's 码场

Hadoop大数据平台架构分析

2020/12/26

大数据

大数据可以概括为5个V

  1. 数据量大(Volume)
  2. 速度快(Velocity)
  3. 类型多(Variety)
  4. 价值（Value）
  5. 真实性（Veracity）

大数据相关技术

  1. 大数据采集技术
  2. 大数据预处理技术
  3. 大数据存储及管理技术
  4. 大数据分析及挖掘技术
  5. 大数据展现与应用技术

大数据平台

  1. DataWorks（阿里云）
  2. hadoop（apache）

等

hadoop 不收费的发行版

Apache基金会hadoop

Hortonworks版本（Hortonworks Data Platform，简称“HDP”）

Cloudera版本（Cloudera’s Distribution Including Apache Hadoop，简称“CDH”）

最成型的发行版本，拥有最多的部署案例。提供强大的部署、管理和监控工具。Cloudera开发并贡献了可实时处理大数据的Impala项目。

社区版本与第三方发行版本的比较

Apache社区版本

优点：

  • 完全开源免费。
  • 社区活跃
  • 文档、资料详实

缺点：

  1. 复杂的版本管理。版本管理比较混乱的，各种版本层出不穷，让很多使用者不知所措。
  2. 复杂的集群部署、安装、配置。通常按照集群需要编写大量的配置文件，分发到每一台节点上，容易出错，效率低下。
  3. 复杂的集群运维。对集群的监控，运维，需要安装第三方的其他软件，如ganglia，nagois等，运维难度较大。
  4. 复杂的生态环境。在Hadoop生态圈中，组件的选择、使用，比如Hive，Mahout，Sqoop，Flume，Spark，Oozie等等，需要大量考虑兼容性的问题，版本是否兼容，组件是否有冲突，编译是否能通过等。经常会浪费大量的时间去编译组件，解决版本冲突问题。

第三方发行版本（如CDH，HDP，MapR等）

优点：

  1. 基于Apache协议，100%开源。
  2. 版本管理清晰。比如Cloudera，CDH1，CDH2，CDH3，CDH4等，后面加上补丁版本，如CDH4.1.0 patch level 923.142，表示在原生态Apache Hadoop 0.20.2基础上添加了1065个patch。
  3. 比Apache Hadoop在兼容性、安全性、稳定性上有增强。第三方发行版通常都经过了大量的测试验证，有众多部署实例，大量的运行到各种生产环境。
  4. 版本更新快。通常情况，比如CDH每个季度会有一个update，每一年会有一个release。
  5. 基于稳定版本Apache Hadoop，并应用了最新Bug修复或Feature的patch
  6. 提供了部署、安装、配置工具，大大提高了集群部署的效率，可以在几个小时内部署好集群。运维简单。提供了管理、监控、诊断、配置修改的工具，管理配置方便，定位问题快速、准确，使运维工作简单，有效。

缺点：

涉及到厂商锁定的问题。（可以通过技术解决）

CDH 与 HDP 版本的比较

Cloudera：

最成型的发行版本，拥有最多的部署案例。提供强大的部署、管理和监控工具。Cloudera开发并贡献了可实时处理大数据的Impala项目。

Hortonworks：

不拥有任何私有（非开源）修改地使用了100%开源Apache Hadoop的唯一提供商。Hortonworks是第一家使用了Apache HCatalog的元数据服务特性的提供商。并且，它们的Stinger开创性地极大地优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒。Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Windows Server和Windows Azure在内的Microsft Windows平台上本地运行。

CDH，Apache Hadoop，HDP的比较

  Apache Hadoop CDH HDP
管理工具 手工 Cloudera Manager Ambari
收费情况 开源 社区版免费，企业版收费 免费

hadoop 生态

https://5b0988e595225.cdn.sohucs.com/images/20180111/bfb107ee22a6458cbd6be7c21ca95749.jpeg

hadoop 组件

https://ss3.bdstatic.com/70cFv8Sh_Q1YnxGkpoWK1HF6hhy/it/u=1535795015,3043047524&fm=26&gp=0.jpg

hadoop 架构

http://c.biancheng.net/uploads/allimg/190508/5-1Z50P93913620.jpg

hadoop 生态各组件的作用

hadoop 的组件

  1. HDFS:分布式文件系统，隐藏集群细节，可以看做一块儿超大硬盘

    主：namenode, secondarynamenode

    从：datanode

  2. Yarn:分布式资源管理系统，用于同一管理集群中的资源（内存等）

    主：ResourceManager

    从：NodeManager

  3. MapReduce:Hadoop的编程框架，用map和reduce方式实现分布式程序设计，类似于Spring。

Zookeeper

Zookeeper：分布式协调服务，用于维护集群配置的一致性、任务提交的事物性、集群中服务的地址管理、集群管理等

主：QuorumPeerMain

从：QuorumPeerMain

Hbase

Hbase:Hadoop下的分布式数据库，类似于NoSQL

主：HRegionserver,HMaster,HPeerMain(在使用zookeeper作为协调时没有此进程)

Hive

Hive:分布式数据仓库，让开发人员可以像使用SQL一样使用MR。

Sqoop

Sqoop:用于将传统数据库中数据导入到hbase中一个导入工具

Spark

Spark:基于内存的分布式处理框架

主：Mater

从：worker

Ambari

Ambari是一种基于Web的工具，支持Apache Hadoop集群的供应、管理和监控。Ambari已支持大多数Hadoop组件，包括HDFS、MapReduce、Hive、Pig、 Hbase、Zookeeper、Sqoop和Hcatalog等。

运维常用命令

查看hdfs文件

  1. 显示文件名称
sudo -u hdfs hdfs dfs -ls /
  1. 创建文件夹
sudo -u hdfs hdfs dfs -mkdir /test
  1. 授权文件夹
sudo -u hdfs hdfs dfs -chmod -R 777 /test
  1. 修改所属用户组
sudo -u hdfs hdfs dfs -chown -R root:root /test
  1. 删除文件夹
sudo -u hdfs hdfs dfs -rm /test

hive查询命令

  1. 进入hive命令行界面

    sudo -u hive hive

  2. 查询存在的库名

    show databases;

  3. 查询数据库中的表

    show tables in test;

  4. 查询表结构

    desc test.test;

  5. 查询、插入、删除表、创建分区

yarn资源命令

  1. 查询正在运行的任务

    sudo -u yarn yarn application -list

  2. 查看正在运行的任务的日志

    sudo -u yarn yarn logs -applicationId application_1607155116126_4519

  3. 切换队列

    sudo -u yarn yarn application -movetoqueue application_1607155116126_4519 -queue default

  4. 停止正在运行的任务

    sudo -u yarn yarn application -kill application_1607155116126_0228

目录