大数据分析-第三章 大数据存储和处理_大数据存储与处理

Lecture3-大数据存储和处理

1. 常见存储方式

1. 关系型数据库
2. NoSQL:泛指非关系型数据库，比如MongoDB
3. 全文检索框架:Elasticsearch

1.1. 存储的区别

1. 行式存储：大数据量查询，如果没有索引，则会遍历
2. 列式存储：可以大量的压缩空间
3. 位图索引

位图索引的例子，如下图所示，我们可以存储为

1. “男”:100101
2. “女”:011010

1.2. 不同形式存储的对比

1. MySQL形式存储

1,小明,21,男,女
2,隔壁老王,25, null, 隔壁孩子
1
2

2. HBase的形式存储:
   1. HBase是一个分布式列式存储系统，记录按列簇集中存放，通过主键(row, key)和主键的range来检索数据。
   2. HBase表中每个列都属于某一个列簇
   3. 列簇是表的Schame的一部分，但是列不是，列名都是以列簇作为前缀。

<1, name>,小明
<1, age>, 21
...
<2, name>, 隔壁老王
1
2
3
4

3. 传统表中使用Alter子句来修改表结构，而HBase直接插入就可以修改表结构

1.3. ES方式

倒排索引示例:ES的存储(倒排索引)的结果如下

1. 应该将查询频率高的单词放在前面(越高越前)
2. ES默认将文档存储，也可以配置不存储文件信息
3. TF-IDF算法：参见Tec1-TF-IDF算法

1.4. 列存储和行存储

1.5. 读写的区别

1.6. 聚簇索引和非聚簇索引

物理存储的最小的单位是块(Block)

1.7. MySQL

1. 查询:Select (tuple) from database
2. 插入:Insert into database value
3. 更新:Update database set xxx = xxx where statement
4. 删除:Delete from database where xxx

1.8. HBase

1.8.1. HBase对LSM的实现

LSM，Log-Structured Merge-Tree，日志结构合并树

1. 假设内存非常大，有限的使用内存存储，结合日志结构实现。
2. 有数据更新不是立马更新，而是先驻留数据，积累到一定条目后归并排序，然后追加到磁盘的队列中，这样子可以显著减少磁盘的开销，一次性大规模写入，减少随机的I/O，不能命中会导致较多的磁盘消耗。

1.8.2. HBase的实现

1. 查询
2. 插入
3. 更新&删除:看做一个插入操作，使用时间戳和Delete标识来标识

memstore:插入时优先放置到memstore，驻存内存，到了一定程度后再刷新到storeFile、插入都是写入操作

1.9. ES

1.9.1. ES的部分实现方式

1. 一个Node是一个进程
2. 容灾的话就是多副本容灾

1.9.2. ES的操作

1. 插入:和HBase相似，不是写入即可查询，建立index需要比较大的开销
2. 读取
3. 更新&删除

1.10. 不同存储的容灾方式

2. Hadoop介绍

Hadoop:一个Apache基金会开发的开源软件框架，支持在由普通计算机组成的集群中运行海量数据的分布式计算，他可以让应用程序轻松扩展到上千个节点和PB级别的数据。

2.1. Google 三大论文

1. MapReduce
2. GFS
3. Big Table

2.2. Doug Cutting 山寨项目

1. MapReduce
2. HDFS
3. HBase

2.3. 大数据处理层次架构

2.4. Hadoop核心

1. MapReduce
   1. Map:任务的分解
   2. Reduce:结构的汇总
2. HDFS
   1. NameNode
   2. DataNode
   3. Client

2.4.1. MapReduce

1. MapReduce是一种并行编程模型，其实是分治算法的一种实现，适用于大规模数据集的并行计算
   1. map:(k1,v1)->list(k2,v2)
   2. reduce:(k2,list(v2)) -> (k3, v3)
2. 示例:曹冲称象
3. 过程:Input -> Map -> Sort -> Combine -> Partition -> Reduce -> Output

2.4.2. HDFS的基本概念

1. Block
2. NameNode & Secondary NameNode
3. Datanode

2.4.3. HDFS架构

2.4.3.1. Block

1. 块大小默认为64M(v1.0)
2. 块大小默认为128M(v2.0)
3. 数据和元数据

3. 备份
4. 一次写入多次读取

2.4.3.2. NameNode

1. 可以看做是分布式文件系统中的管理者，存储文件系统的metadata，主要负责管理文件系统的命名空间，集群配置信息，存储块的赋值
2. 两个文件：EditLog、FSImage
3. 两个映射：Filename -> BlockSequence(FsImage)、Block -> DatanodeList(BlockReport)
4. 单点(NameNode)风险

2.4.3.3. Secondary NameNode

1. 不是备用NameNode，而是秘书
2. 合并和保存EditLog、FSImage
   1. Checkpoint.period
   2. Checkpoint.size

2.4.3.4. Datanode

文件存储的基本单位。它存储文件块在本地文件系统中，保存了文件块的meta-data，同时周期性的发送所有存在的文件块的报错给Namenode

2.4.3.5. HDFS文件读写

读文件：读取完之后会校验(Check Sum)，未通过则告知错误

写文件:复制的策略，冗余数据放置在机柜中，跨机柜要经过交换机等设备

3. HBase

1. HBase以谷歌的BigTable为模型，并用Java编写
2. HBase是在HDFS上开发，提供了一种容错的方式存储大量的稀疏数据
3. 一个HBase系统包括一组表，每个表包含行和列，就像传统的数据库一样。每个表都必须有一个定义为主键的元素，所有对HBase表的访问尝试都必须使用这个主键。一个HBase Column表示一个对象属性。

3.1. 什么是HBase

1. HBase是一个分布式、非结构化、稀疏、面向列的数据库。
2. HBase是基于HDFS，山寨版的BigTable，继承了可靠性、高性能、可伸缩性

3.2. HBase架构

3.3. HBase角色

3.4. HBase数据模型

Table & Column Family

1. RowKey:Table的主键, 记录按照RowKey排序
2. Timestamp:每次数据操作对应的时间戳,可以看作是数据的version number(垃圾清理)
3. Column Family:Table在水平方向由一个或者多个Column Family组成,一个Column Family中可以由任意多个Colum组成

Table & Region

1. 记录数不断增多后,Table会逐渐分裂成多份splits,成为regions
2. 一个region由[startkey,endkey)表示
3. 不同的region会被Master分配给相应的RegionServer进行管理.

1. .META.:记录用户表的Region信息,可以有多个regoin
2. -ROOT-:记录.META.表的Region信息,只有一个region
3. Zookeeper:记录了-ROOT-表的location

3.5. 数据导入

1. Sybase -> HBase
   1. bcp out
   2. importtsv

hadoop jar ~/hbase-0.92.1/hbase-0.92.1.jar importtsv \
-Dimporttsv.separator= "," # 指定输入文件的分隔符为;\
-Dimporttsv.bulk.output=/output # 输出hfile到/output
-Dimporttsv.columns=HBASE ROW KEY,cf1:USER NAME
#源文件的第一列为rowkey ，第二列为cf1:USER NAME\
users /bulkload/users.txt #导 入hbase的users表中,输 入文件在/bulkload\
hadoop jar ~/hbase-0.92. 1/hbase-0.92.1.jar completebulkload/output users
1
2
3
4
5
6
7

3.6. 访问接口

1. Hadoop & HBase提供JAVA接口
2. Thrift支持多语言访问HBase，C++、C#、Cocoa、Erlang、Haskell、Java、Ocami、Perl、PHP、Python、Ruby、Smalltalk

4. Hive

1. Hive是基于Hadoop的数据仓库工具，提供完整的SQL查询功能，可以将结构化的数据文件映射为一张数据库表。
   1. 可以将SQL语句转换为MapReduce任务进行运行。
   2. 可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用
2. 学习成本低

4.1. Hive体系结构

4.2. Hive运维要点

Hive相当于一套Hadoop的访问接口，运维如下几个问题需要注意

1. 使用单独的数据库存储元数据
2. 定义合理的表分区和键
3. 设置合理的bucket数据量
4. 进行表压缩
5. 定义外部表使用规范
6. 合理的控制Mapper，Reducer数量

5. Pig

Apache Pig架构

1. 严格用于使用Pig分析Hadoop中的数据的语言称为Pig Latin是一种高级数据处理语言。它提供了一组丰富的数据类型和操作符来对数据执行各种操作。
2. 要执行特定任务时，程序员使用Pig，需要用Pig Latin语言编写Pig脚本,并使用任何执行机制( Grunt Shell，UDFs，Embedded )执行它们。执行后,这些脚本将通过应用Pig框架的一系列转换来生成所需的输出。
3. 在内部, Apache Pig将这些脚本转换为一系列MapReduce作业,因此,它使程序员的工作变得容易。

5.1. Pig组成组成

1. Parser (解析器)：最初, Pig脚本由解析器处理,它检查脚本的语法,类型检查和其他杂项检查。解析器的输出将是DAG(有向无环图),它表示Pig Latin语句和逻辑运算符。在DAG中,脚本的逻辑运算符表示为节点,数据流表示为边。
2. Optimizer (优化器)：逻辑计划(DAG)传递到逻辑优化器,逻辑优化器执行逻辑优化,例如投影和下推。
3. Compiler (编译器)：编译器将优化的逻辑计划编译为一系列MapReduce作业。
4. Execution engine (执行引擎)：最后,MapReduce作业以排序顺序提交到Hadoop。这些MapReduce作业在Hadoop上执行,产生所需的结果。

5.2. Pig与SQL区别

1. 使用延迟评价、使用ETL、能够在管道中任何时刻存储数据、支持管道分裂
2. Pig Latin是程序性的,它在管道范例中非常自然,而SQL则是声明性的。在SQL用户中,可以指定要连接两个表的数据,但不能指定要使用的连接实现。
3. Pig Latin允许用户指定一个实现或实现的各个方面 ,以在多个方面执行脚本。Pig Latin编程类似于 指定查询执行计划。

6. 参考

1. HBase存储方式