企业级大数据技术体系

做你没做过的事叫成长，做你不愿做的事叫改变，做你不敢做的事叫突破。

企业级大数据技术框架（六层大数据技术体系）

1、数据收集层：分布式、异构性、多样化、流式产生

主要由关系型和非关系型数据收集组件，分布式消息队列构成。

Sqoop/Canal：关系型数据收集和导入工具，是连接关系型数据库和Hadoop的桥梁，Sqoop可将关系型数据库的数据全量导入Hadoop，反之亦然。而Canal可用于实时数据的增量导入

Flume：非关系型数据收集工具，主要是流式日志数据，可近实时收集，经过滤，聚集后加载到HDFS等存储系统

Kafka：分布式消息队列，一般作为数据总线使用，它允许多个数据消费者订阅并获取感兴趣的数据。

2、数据存储层

主要由分布式文件系统（面向文件存储）和分布式数据库（面向行/列的存储）构成。

HDFS：Hadoop分布式文件系统，Google GFS的开源实现，具有良好的扩展性和容错性，目录已支撑各种类型的数据存储格式，包括SSTable，文本文件，二进制key/value格式Sequence File，列式存储格式Parquet，ORC和Carbondata等。

Hbase：构建在HDFS之上的分布式数据库，需要用户存储结构化与半结构化数据，支持行列无限扩展及数据随机查找与删除。

Kudu：分布式列数据库，允许用户存储结构化数据，支持行无限扩展以及数据的随机查找与更新。

3、资源管理与服务协调层：共享集群资源（优点：资源利用率高、运维成本低、数据共享）

YARN：统一资源管理与调度系统，它能够管理集群中的各种资源（eg：CPU、内存等），并按照一定的策略分配个上层各类应用，YARN内置了多种多租户资源调度器，允许用户按照队列的方式组织和管理资源，且每个队列的调度机制可独立定制。

ZooKeeper：基于简化的Paxos协议实现的服务协调系统，他提供了类似于文件系统的数据模型，允许用户通过简单的API实现leader选举、服务命名、分布式队列与分布式锁等复杂的分布式通用模块。

4、计算引擎层

包括批处理（时间要求低，高吞吐）、交互式处理（时间要求比较高，sql查询）、流式实时处理（时间要求非常高、广告投放等）三种引擎。

MapReduce/Tez：MapReduce是一个经典的批处理计算引擎，具体良好的扩展性与容错性，允许用户通过简单Api编写分布式程序；Tez是基于MapReduce开发的通用DAG（有向无环图）计算引擎，能够更加高效地实现复杂的数据处理逻辑，目前被应用在hive、pig等数据分析系统中。

Spark：通用的DAG计算引擎，它提供了基于RDD的数据抽象表示，允许用户充分利用内存进行快速的数据挖掘和分析。

Impala/Presto：开源的MPP系统，允许用户使用标准的SQL处理存储在Hadoop中的数据。它们采用了并行数据库架构，内置了查询优化器，查询下推，代码生成等优化机制，使得大数据处理效率大大提高。

Storm/Spark Streaming：分布式流式实时计算引擎，具有良好的容错性与扩展性，能够高效的处理流式数据，它允许用户通过简单的API完成实时应用程序开发。

5、数据分析层

为方便用户解决大数据问题而提供的各种数据分析工具。

Hive/Pig/SparkSQL：在计算引擎只是构建的支撑SQL或者脚本语言的分析系统，大大降低了用户进行大数据分析的门槛。其中hive是基于MapReduce/Tez实现的sql引擎，pig是基于MapReduce/Tez实现的工作流引擎，SparkSQL是基于spark实现的sql引擎。

Mahout/MLib：在计算引擎上构建的机器学习库，实现常用的机器学习和数据挖掘算法Mahout最初是基于MapReduce实现的，目前正迁移到spark，mlib是基于spark实现的。

Apache Beam/Cascading:基于各类计算框架而封装的高级API,方便构建复杂的流水线。Apache Beam统一了批处理和流式处理两类计算框架，提供了更高级的API方便用户编写与具体计算引擎无关的逻辑代码；Cascading内置了查询计划优化器，能够自动优化用户实现的数据流。采用了面向tuple的数据模型，如果你的数据可表示成类似与数据库行的格式，使用Cascading处理将变得很容易。

6、数据可视化层

应用UI展示，比如：运筹帷幄的Dashboard、火眼金睛的用户分析平台。