主要讲解:业务服务器部署数据库及数据实时采集、大数据服务器如何使用CM部署CDH架构。
此外,大数据服务器使用1台虚拟机进行安装部署,先安装CMServer,再使用CM安装部署CDH,伪分布式。
物流大数据项目来说,业务主要有三大类:
- 第一类、离线报表和即席查询:Kudu、SparkSQL、Impala和Hue
- 离线报表
Kudu表、SparkSQL(DSL)
- 即席查询
Kudu表、Impala和Hue(SQL)
- 第二类、实时大屏展示和数据服务接口
- 实时大屏展示
ClickHouse表、NodeJs和Vue
- 数据服务接口
ClickHouse表、SpringCloud应用
- 第三类、快递物流信息查询
Elasticsearch分布式搜索引擎框架:index索引
数据服务接口对外提供查询功能
主要讲解:存储引擎
Kudu
,类似HBase数据库,由Cloudera公司开发,目的取代HDFS和HBase框架,
1、数据实时ETL流程
选择结构化流StructuredStreaming实时消费Kafka数据,对数据进行ETL转换,存储外部系统
2、Kudu 入门使用
1)、Kudu 为什么诞生,能够解决什么问题
2)、SQL on Hadoop 框架发展史
Kudu和Impala一对CP,Kudu存储数据,Impala 分析数据
3)、Kudu 是什么应用场景
4)、Kudu 架构设计和原理
5)、Kudu 安装部署
已经使用CM安装部署,启动及监控
对于物流项目来说,如何对业务数据进行实时ETL存储。
数据转换ETL
:消费Kafka中消息都是JSON格式字符串,需要进行解析转换处理面试题:为什么使用StructuredStreaming实时ETL,而不是SparkStreaming或者Flink呢?
DataFrame
,更好知道内部结构,方便处理数据。Spark2.2发布Release版本,可以用于生产环境,Spark 2.3版本提供持续流处理。Source数据源:偏移量offset、数据处理:WAL和Checkpoint、数据终端:支持幂等性
Kudu存储引擎诞生以后,在国内使用较早
小米和网易
公司,使用Kudu主要2大应用场景:
快速
分析将原有业务数据(MySQL、Oracle数据库)实时同步到Kudu存储引擎,Kudu对外提供实时查询分析和数据变更操作。
在没有使用Kudu之前,为了满足业务需求,用户行为日志数据处理处理如下所示:
引入 Kudu 以后,大家看,数据的导入和查询都是在线实时的:
Kudu存储数据以后,可以快速查询分析(即席查询,与Impala集成)和报表分析(SparkSQL)。 Kudu诞生之初(设计目标)就是为取代HDFS文件系统和HBase数据库,既能够实现随机读写,又能够批量加载分析,所以Kudu属于HBase和HDFS折中产品。
大数据技术框架中(领域中),SQL框架目前越来越多,从最开始Hive框架,到现在Flink SQL,至少10种以上框架出现,但是使用较多:Hive、
Impala、Presto
、SparkSQL、FlinkSQL(正在迅速发展)。
Cloudera公司依据Google论文:Dremel 论文,开发基于内存分析引擎Impala。
Cloudera公司,如果公司既要求对数据进行随机读写查询,又要对数据进行批量加载快速分析,需要将数据存储到HDFS(PARQUET)和HBase,能不能一个框架存储引擎实现2个功能:
Kudu
。
Kudu和Impala都是使用C++语言编写,使用内存进行数据存储和分析,速度比较快的,很多金融公司、证券公司或游戏公司,都会使用此种大数据技术,进行存储数据和分析数据。
Kudu 在一个系统中融合了 OLTP 型随机读写能力与 OLAP 型分析能力,填补了 Hadoop存储层的缺憾,是 Hadoop 生态的一大生力军。
Apache Kudu是由Cloudera开源的
存储引擎
,可以同时提供低延迟的随机读写
和高效的数据分析
能力。
1、Kudu是一种非洲的大羚羊,中文名叫“捻角羚”;
2、Impala是另一种非洲的羚羊,叫做“黑斑羚”,也叫“高角羚”;
不知道Cloudera公司为什么这么喜欢羚羊,也许是因为羚羊的速度快。
在Kudu之前,大数据主要以两种方式存储:
如果对业务数据既需要随机读写,有需要批量加载快速分析,实现如下架构:
上述架构:数据冗余性比较大、技术框架复杂性比较高、数据实时性降低。 为了解决上述架构的这些问题,Kudu应运而生。Kudu的定位是
Fast Analytics on Fast Data
,是一个既支持随机读写、又支持 OLAP 分析的大数据存储引擎。
从上图可以看出,KUDU 是一个折中的产品,在 HDFS 和 HBase 这两个偏科生中平衡了随机读写和批量分析的性能。 Kudu相比与以往的系统,CPU使用降低了,I/O的使用提高了,RAM的利用更充分了。
Kudu 应用场景:
KUDU 的数据模型与传统的关系型数据库类似:一个 KUDU 集群由多个表组成,每个表由多个字段组成,一个表必须指定一个由若干个(>=1)字段组成的主键。
KUDU 表中的
每个字段是强类型的
,而不是 HBase 那样所有字段都认为是 bytes。好处是可以对不同类型数据进行不同的编码
,节省空间。同时,因为 KUDU 的使用场景是 OLAP 分析,有一个数据类型对下游的分析工具
也更加友好。
基于Raft协议,实现高可用HA,
当leader挂掉以后,从Follower中选取leader。 在Kudu存储引擎中,如何将一个表Table数据划分为多个Tablet???有哪些分区策略: 在Kudu中,每个表的分区Tablet需要
在创建表的时候指定
,表创建以后不能被修改。
Range Partitioning
,类似HBase表划分 Hash Partitioning
,按照字段的 Hash 值
进行分区,Cassandra
采用了这个方式。KUDU 支持用户对一个表指定一个范围分区规则和多个 Hash 分区规则,如下图:
多级散列分区组合,如下图所示:
KUDU 是一个
列式存储
的存储引擎,其数据存储方式如下:
列式存储的数据库很适合于
OLAP
场景,其特点如下:
KUDU 中存在两个角色:基于Raft协议实现一致性,所以不依赖Zookeeper
Master Server
:负责集群管理、元数据管理等功能,类似HBase MasterTablet Server
:负责数据存储,并提供数据读写服务,类似HBase RegionServer在 KUDU 中都可以设置特定数量(3 或 5)的副本。各副本间通过 Raft 协议来保证数据一致性。Raft 协议与 ZAB 类似,都是 Paxos 协议的工程简化版本。
Tablet server 的任务非常繁重, 其负责和数据相关的所有操作, 包括存储, 访问, 压缩, 其还负责将数据复制到其它机器。 因为 Tablet server`特殊的结构, 其任务过于繁重, 所以有如下限制:
大数据所有技术框架都是安装在
node2.itcastn.cn
机器上,基于CM安装CDH组件,所以已经安装完成。
admin/admin
ntp
进行同步时间。最好配置,虚拟机与宿主机时间同步
/etc/kudu/conf
/var/lib/kudu/master,/var/lib/kudu/tserver
/var/log/kudu/
[root@node2 ~]# ps -ef|grep kudu
kudu 2878 2865 1 11:53 ? 00:00:06 /opt/cloudera/parcels/CDH-6.2.1-1.cdh6.2.1.p0.1425774/lib/kudu/sbin/kudu-master --location_mapping_cmd=/var/run/cloudera-scm-agent/process/6-kudu-KUDU_MASTER/topology.py --flagfile=/var/run/cloudera-scm-agent/process/6-kudu-KUDU_MASTER/gflagfile
kudu 2879 2865 0 11:53 ? 00:00:00 /usr/bin/python2 /opt/cloudera/cm-agent/bin/cm redactor --fds 3 5
kudu 2890 2864 6 11:53 ? 00:00:26 /opt/cloudera/parcels/CDH-6.2.1-1.cdh6.2.1.p0.1425774/lib/kudu/sbin/kudu-tserver --tserver_master_addrs=node2.itcast.cn --flagfile=/var/run/cloudera-scm-agent/process/5-kudu-KUDU_TSERVER/gflagfile
kudu 2891 2864 0 11:53 ? 00:00:00 /usr/bin/python2 /opt/cloudera/cm-agent/bin/cm redactor --fds 3 5
Kudu Master还是Kudu TabletServer都有很多配置属性,可以进行配置:https://kudu.apache.org/docs/configuration.html
Kudu提供三种方式,操作Kudu数据库,进行DDL操作和DML操作:
Java client
、C++ client、Python client操作Kudu表,要构建Client并编写应用程序; Kudu-Spark包
集成Kudu与Spark,并编写Spark应用程序来操作Kudu表 无论是Java Client API使用,还是Kudu集成Spark使用,添加Maven 依赖:
<dependency>
<groupId>org.apache.kudu</groupId>
<artifactId>kudu-client</artifactId>
<version>1.9.0-cdh6.2.1</version>
</dependency>
<dependency>
<groupId>org.apache.kudu</groupId>
<artifactId>kudu-spark_2.11</artifactId>
<version>1.9.0-cdh6.2.1</version>
</dependency>
Kudu 框架本身提供命令
kudu
管理Kudu集群,位于$KUDU_HOME/bin
目录
KUDU Client 在与服务端交互时,先从 Master Server 获取元数据信息,然后去 Tablet Server读写数据,如下图:
伟大网友提供KuduPlus工具,可视化工具,连接KuduMaster,创建表、删除表查询数据
Kudu-Plus一款针对Kudu可视化工具,GitHub地址:https://github.com/Xchunguang/kudu-plus
KuduPlus直接点击exe文件安装,启动工具,创建连接,设置KuduMaster地址:
node2.itcast.cn:7051