大数据框架总结

Posted 2023-02-19 _TIM_

Kafka Eagle

这是一款Kafka监控工具，Kafka Eagle主要是有几个我们关注的点：

• 流量，最长可以查看最近七天的流量波动图
• lag size邮件告警
• 可以用Kafka Sql分析

课程框架总结

Zookeeper 分布式服务协调框架，帮助其他节点正常运行

• 永久节点： 普通永久节点、序列化永久节点
• 临时节点(客户端一旦断开节点消失)： 普通临时节点、序列化临时节点
• Watch机制 类似于监听器

Hdfs 分布式文件存储

• NameNode 主节点：用于管理元数据
• fsimage 一份完整的元数据信息
• edits 最近一段时间客户端的操作日志
• SecondaryNode 合并fsimage和edits
• DataNode 数据存储，议block块128M进行存储

写入数据过程

• 客户端请求Namenode上传数据
• NameNode检验客户端是否有权限，文件是否存在，校验通过，直接告诉客户端允许上传
• 客户端请求NameNode第一个文件Block块地址
• NameNode寻找对应客户端地址返回给客户端：采用就近原则，寻找心跳比较活跃，磁盘比较空闲的
• 客户端与对应的DataNode进行通信，将数据写入到DataNode对应的Block块里面去，数据以Packet为单位进行传输，默认为64KB，DataNode反向进行数据校验

MapReduce

• 记住八个步骤

Yarn资源调度管理平台

• FIFO 先进先出
• Fair Schedular 公平调度 Apache使用
• Capacity Schedular 容量调度器 cdh使用，不同用户提交作业到不同的队列里面，实现资源隔离

Hive
面向数据分析，将原数据存储在mysql中

• 外部表：外部表删除的时候不会删除Hdfs数据
• 内部表：删除的时候会删除Hdfs数据
• 分区表：分文件夹 partition by
• 分桶表：分文件 cluster by into buckets

Hive调优

• Map端Join
• 合并小文件
• 控制Map和Reduce的个数
• 表的优化
• 本地模式
• 推测执行

Flume数据采集工具

• 离线分析：把数据存储到Hdfs上面去
• 实时分析：把数据发送到Kafka上面去

Sqoop数据导入导出工具

• 增量数据、减量数据、更新数据怎么解决：拉链表

Azkaban\\Oozie

• 任务调度工具

Kafka消息队列
用于实时处理场景，作用：

• 解耦
• 异步
• 并行

核心概念 producer、consumer、topic、partition、segement、.log.index

各个软件框架之间的依赖关系

Zookeeper：依赖jdk
Hadoop: 依赖zk
Hive: 依赖hadoop和Mysql
flume、sqoop、azkaban: 无依赖
impala: 依赖Hive，必须启动Hive Metastore服务