搞懂Hadoop生态系统.docx

《搞懂Hadoop生态系统.docx》由会员分享，可在线阅读，更多相关《搞懂Hadoop生态系统.docx（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、OlHadoop 概述Hadoop体系也是一个计算框架，在这个框架下，可以使用一种简单的编程模 式，通过多台计算机构成的集群，分布式处理大数据集。Hadoop是可扩展 的，它可以方便地从单一服务器扩展到数千台服务器，每台服务器进行本地 计算和存储。除了依赖于硬件交付的高可用性，软件库本身也提供数据保 护，并可以在应用层做失败处理，从而在计算机集群的顶层提供高可用服 务。Hadoop核心生态圈组件如图1所示。部署管理工具AmbariKnox平安网关Knox平安网关Ranger平安管理Yarn （资源调度）Sqoop 数据抽取HBase 分布式 数据库Tachyon （分布式缓存）Oozie任务调

2、度Flume 曰志收集Fanon数据生命周期Kafka消息队列HDFS （分布式块存储）图1 Haddoop开源生态02Hadoop 生态Hadoop包括以下4个基本模块。1） Hadoop基础功能库：支持其他Hadoop模块的通用程序包。2）HDFS : 一个分布式文件系统，能够以高吞吐量访问应用中的数据。3）YARN ： 一个作业调度和资源管理框架。4）MapReduce : 一个基于YARN的大数据并行处理程序。除了基本模块，Hadoop还包括以下工程。I) Ambari :基于Web,用于配置、管理和监控Hadoop集群。支持HDFS、 MapReduce、Hive、HCatalog、

3、HBase、ZooKeeper、Oozie、Pig 和 Sqoop。 Ambari还提供显示集群健康状况的仪表盘，如热点图等。Ambari以图形化的 方式查看MapReduce. Pig和Hive应用程序的运行情况，因此可以通过对用 户友好的方式诊断应用的性能问题。2)Avro :数据序列化系统。3) Cassandra :可扩展的、无单点故障的NoSQL多主数据库。4)Chukwa :用于大型分布式系统的数据采集系统。5)HBase :可扩展的分布式数据库，支持大表的结构化数据存储。6)Hive :数据仓库基础架构，提供数据汇总和命令行即席查询功能。7)Mahout :可扩展的机器学习和数据

4、挖掘库。8)Pig :用于并行计算的高级数据流语言和执行框架。9)Spark :可高速处理Hadoop数据的通用计算引擎。Spark提供了一种简单 而富有表达能力的编程模式，支持ETL、机器学习、数据流处理、图像计算 等多种应用。10)Tez :完整的数据流编程框架，基于YARN建立，提供强大而灵活的引 擎，可执行任意有向无环图(DAG)数据处理任务，既支持批处理又支持交 互式的用户场景。Tez已经被Hive、Pig等Hadoop生态圈的组件所采用，用 来替代MapReduce作为底层执行引擎。II) ZooKeeper :用于分布式应用的高性能协调服务。除了以上这些官方认可的Hadoop生态

5、圈组件之外，还有很多十分优秀的组件 这里没有介绍，这些组件的应用也非常广泛，例如基于Hive查询优化的 Presto、Impala、Kylin 等。此外，在Hadoop生态圈的周边，还聚集了一群“伙伴”，它们虽然未曾深入融 合Hadoop生态圈，但是和Hadoop有着千丝万缕的联系，并且在各自擅长的 领域起到了不可替代的作用。图2是阿里云E-MapReduce平台整合的 Hadoop生态体系中的组件，比Apache提供的组合更为强大。权限与认证KerberosRangerNoteBookPAIData WorksJupyterZeppelinData Saence woikbendi EMR-

6、Workspace x Hue、SupersetJob Scheduler EMR-Flow% OozieMetadata management Hive、Kafka数据使用与 作业管理Tensor FlowStormImpala PrestoHiveSpark计算引望社区开源组件监控与告警YARN HBase Kafka DruidDelta LakeHDFSI KuduSqoopx DataXFlume、Kafka1Logstash SLS数据集成JindoFSOSS数据存储平台管理智能运维管控EMR开源软件增强EMR自研组件阿里云其他云产品EMR Agent基硼资源ECS ECk ACK

7、 (Kubernetes)图2 阿里云E-MapRcduce的产品架构下面简单介绍其中比拟重要的成员。1) Presto :开源分布式SQL查询引擎，适用于交互式分析查询，数据量支持 GB到PB级。Presto可以处理多数据源，是一款基于内存计算的MPP架构查 询引擎。2)Kudu :与HBase类似的列存储分布式数据库，能够提供快速更新和删除 数据的功能，是一款既支持随机读写，又支持OLAP分析的大数据存储引 擎。3) Impala :高效的基于MPP架构的快速查询引擎，基于Hive并使用内存进 行计算，兼顾ETL功能，具有实时、批处理、多并发等优点。4) Kylin :开源分布式分析型数据

8、仓库，提供Hadoop/Spark之上的SQL查 询接口及多维分析(OLAP)能力，支持超大规模数据的压秒级查询。5)Flink : 一款高吞吐量、低延迟的针对流数据和批数据的分布式实时处理 引擎，是实时处理领域的新星。6) Hudi : Uber开发并开源的数据湖解决方案，Hudi (Hadoop updates and incrementals)支持HDFS数据的修改和增量更新操作。03Hadoop的优缺点如今，Hadoop已经演化成了一个生态系统，系统内的组件千差万别，有的还 是孵化阶段，有的风华正茂，有的垂垂老矣。其中，最经久不衰的当属 HDFS和Hive两大组件，昙花一现的包括HBa

9、se、MapReduce、Presto 等，风华正茂的当属Spark和Flinko古语有云，“成也萧何，败也萧何”。大数据成功最核心的原因是开源，但它 存在的最大的问题也是开源。很多组件虽然依靠开源可以快速成熟，但是一 旦成熟，就会出现生态紊乱和版本割裂的情况，其中最典型的就是Hive。Hive 1.x之前的版本功能不完善，1.x版和2.x版算是逐步优化到基本可用 了，到了 3.x版又出现了各种问题，并且大局部云平台Hive版本都停留在 2.x版，新版本推广乏力。另外，Hive的计算引擎也是饱受争议的，Hive支 持的计算引擎主要有MapReduce、Tez、Spark、Prestoo十多年来

10、 MapReduce的计算速度并没有提升；Tez虽然计算速度快，但是安装需要定 制化编译和部署；Spark的计算速度最快，但是对JDBC支持不友好；Presto 计算速度快并且支持JDBC,但是语法又和Hive不一致。申明一下，这里说 的快只是相对MapReduce引擎而言的，跟传统数据库的速度相比仍然相差1 到2个数量级。总的来说，基于Hadoop开发出来的大数据平台，通常具有以下特点。1）扩容能力：能够可靠地存储和处理PB级的数据。Hadoop生态基本采用 HDFS作为存储组件，吞吐量高、稳定可靠。2）本钱低：可以利用廉价、通用的机器组成的服务器群分发、处理数据。这 些服务器群总计可达数千

11、个节点。3）高效率：通过分发数据，Hadoop可以在数据所在节点上并行处理，处理 速度非常快。4）可靠性：Hadoop能自动维护数据的多份备份，并且在任务失败后能自动 重新部署计算任务。Hadoop生态同时也存在不少缺点。1）因为Hadoop采用文件存储系统，所以读写时效性较差，至今没有一款既 支持快速更新又支持高效查询的组件。2) Hadoop生态系统日趋复杂，组件之间的兼容性差，安装和维护比拟困 难。3) Hadoop各个组件功能相对单一，优点很明显，缺点也很明显。4)云生态对Hadoop的冲击十清楚显，云厂商定制化组件导致版本分歧进一 步扩大，无法形成合力。5)整体生态基于Java开发，容错性较差，可用性不高，组件容易挂掉。