大数据技术分享2213700.pptx
大数据技术分享0102数据存储/Hbase,MongoDB03数据分析/Hive,MR,R04实时计算/Storm,Spark05数据传输/Sqoop,Kafka演讲提纲06数据采集/Flume,KafkaDPI大数据架构NoSql数据库NoSql(Not Only Sql)hbaseMongoDBLucene/Solr等Hbase是什么HBase是Apache Hadoop中的一个子项目，Hbase依托于Hadoop的HDFS作为最基本存储基础单元，通过使用hadoop的DFS工具就可以看到这些这些数据 存储文件夹的结构,还可以通过Map/Reduce的框架(算法)对HBase进行操作，如下图所示：HRegionServer、HRegion、Hmemcache、Hlog、HStore之间的关系HBase表中的数据与HRegionServer的分布关系为什么采用HBase？HBase 不同于一般的关系数据库,它是一个适合于非结构化数据存储的数据库.所谓非结构化数据存储就是说HBase是基于列的而不是基于行的模式，这样方面读写大数据的数据。hbase是基于列存储，查询速度为秒级一个数据行拥有一个可选择的键和任意数量的列。表是疏松的存储的，因此用户可以给行定义各种不同的列什么是列存储？什么是列存储？列存储不同于传统的关系型数据库，其数据在表中是按行存储的，列方式所带来的重要好处之一就是，由于查询中的选择规则是通过列来定义的，因 此整个数据库是自动索引化的。按列存储每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的数据量，一个字段的数据聚集存储，那就 更容易为这种聚集存储设计更好的压缩/解压算法。这张图讲述了传统的行存储和列存储的区别：MySQL中现有的表结构迁移至HBase中的表结构原来系统中有2张表blogtable和comment表，采用HBase后只有一张blogtable表，如果按照传统的RDBMS的话，blogtable表中的列是固定的，比如schema 定义了Author,Title,URL,text等属性，上线后表字段是不能动态增加的。但是如果采用列存储系统，比如Hbase，那么我们可以定义blogtable表，然后定义info 列族，User的数据可以分为：info:title,info:author,info:url 等，如果后来你又想增加另外的属性，这样很方便只需要 info:xxx 就可以了。对于Row key你可以理解row key为传统RDBMS中的某一个行的主键，Hbase是不支持条件查询以及Order by等查询，因此Row key的设计就要根据你系统的查询需求来设计了额。Hbase中的记录是按照rowkey来排序的，这样就使得查询变得非常快。hive简介Hive是基于hadoop构建的数据仓库基础架构，通过提供一系列的工具，使得用户能够方便的做数据ETL，数据结构化，并针对存放在hadoop上的海量数据进行查询和分析hive的设计目标是：可伸缩、可扩展、容错及输入格式松耦合。数据单元按照数据的粒度大小，hive数据可以被组织成：1）databases：避免不同表产生命名冲突的一种命名空间2）tables：具有相同scema的同质数据的集合partitions：一个表可以有一个或多个决定数据如何存储的partition keybuckets（或clusters）：在同一个partition中的数据可以根据某个列的hash值分为多个bucket。partition和bucket并非必要，但是它们能大大加快数据的查询速度。数据类型（1）简单类型：TINYINT-1 byte integerSMALLINT-2 byte integerINT-4 byte integerBIGINT-8 byte BOOLEAN-TRUE/FALSEFLOAT-单精度DOUBLE-双精度STRING-字符串集合（2）复杂类型：Structs：structs内部的数据可以通过DOT（.）来存取，例如，表中一列c的类型为STRUCTa INT;b INT，我们可以通过c.a来访问域a。Maps（Key-Value对）：访问指定域可以通过element name进行，例如，一个Map M包含了一个group-gid的k-v对，gid的值可以通过Mgroup来获取。Arrays：array中的数据为相同类型，例如，假如array A中元素a,b,c，则A1的值为b。内建运算符和函数 包括关系运算符(A=B,A!=B,AB等等）算术运算符（A+B,A*B,A&B,A|B等等）逻辑运算符（A&B,A|B等等）复杂类型上的运算符（An,Mkey,S.x）各种内建函数。语言能力 hive查询语言提供基本的类sql操作，这些操作基于table和partition，包括：1.使用where语句过滤制定行2.使用select查找指定列 3.join两张table或多张表 4.group by 5.一个表的查询结果存入另一张表6.将一个表的内容存入本地目录7.将查询结果存储到hdfs上8.管理table和partition(creat、drop、alert)9.hive提供jdbc功能，方便从关系型数据库中读取数据Hive和普通数据库的区别由于Hive采用了SQL的查询语言HQL，因此很容易将Hive理解为数据库。Spark是什么？参考spark学习.ppt由于Spark是由Scala语言编写的，学习Spark首先要有Scala基础Scala的学习可参考以下学习网站http:/zh.scala-
