一文搞懂Hadoop生态系统.docx

《一文搞懂Hadoop生态系统.docx》由会员分享，可在线阅读，更多相关《一文搞懂Hadoop生态系统.docx（9页珍藏版）》请在第一文库网上搜索。

1、一文搞懂Hadoop生态系统原创王春波数仓宝贝库2022-01-06 18:18收录于合集#hadoop2 个#大数据22个数仓宝贝库数据人的充电站，专注于分享大数据、数据库、数据分析、数字化转型，以及数据管理与运营等学习干货。81篇原创内容公众号数仓宝贝库，带你学数据！导读：Hadoop是较早用于处理大数据集合的分布式存储计算基础架构，目前由Apache软件基金会管理。通过Hadoop ,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执行高速运算和存储。简单地说，Hadoop是一个平台在它之上可以更容易地开发和运行处理大规模数据的软件。OlHadoop 概述Had

2、oop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AmbariTez （DAG 模型）MapReduce图1 Haddoop开源生态Pig脚本VJGraph图计算Hive、数据仓库Mahout机器学习Streaming流计算HDFS （分布式块存储）Ranger安全

3、管理Knox安全网关PhoenixSQL查询接口HBase分布式数据库Spark （内存计算）Tachyon （分布式缓存）02Hadoop生态圈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还包括以下项目。1 ） Ambari :基于Web ,用于配置、管理和监控Hadoop集群。支持HDFS、MapReduce, Hi

4、ve、HCatalog. 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

5、 ) Mahout :可扩展的机器学习和数据挖掘库。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。11 ) ZooKeeper :用于分布式应用的高性

6、能协调服务。除了以上这些官方认可的Hadoop生态圈组件之外，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，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。Data Science workbenchEMR-Workspace%Hue. SupersetData WorksJob

7、SchedulerEMR-Flow% OozieMetadatamanagementHive、Kafka数据使用与作业皆理社区开源组件监控与告警Delta Lake权跟与认fitYARNHDFSKuduSqoop% DataXKerberosRangerNoteBookJupyterZeppelinSpark FhnkIJindoFS数据存储IOSSStormImpalaPrestoHBaseKafkaDruidFlume、Kafka计算引孽Logstash、SLS数据能成平台管理基础资源智能运维管控EMR AgentECS. ECk ACK (Kuberneles)EMR开源软件增建EMR自

8、研组件阿里云其他云产品图2 阿里云E-MapReduce的产品架构下面简单介绍其中比较重要的成员。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仓库

9、，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 andincrementals )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HBase.

10、 MapReduce、Presto等,风华正茂的当属Spark和Flink。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,并且大部分云平台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MapReduce

11、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 ）成本低：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个节点。3 ）高效率：通过

12、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，安装和维护比较困难。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的冲击十分明显，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。