基于hadoop生态圈的数据仓库实践 —— OLAP与数据可视化（五）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1433143

五、Hue、Zeppelin比较

    上一节简单介绍了Hue这种Hadoop生态圈的数据可视化组件，本节讨论另一种类似的产品——Zeppelin。首先介绍一下Zeppelin，然后说明其安装的详细步骤，之后演示如何在Zeppelin中添加MySQL翻译器，最后从功能、架构、使用场景几方面将Hue和Zeppelin做一个比较。

1. Zeppelin简介

    Zeppelin是一个基于Web的软件，用于交互式地数据分析。一开始是Apache软件基金会的孵化项目，2016年5月正式成为一个顶级项目（Top-Level Project，TLP）。Zeppelin描述自己是一个可以进行数据摄取、数据发现、数据分析、数据可视化的笔记本，用以帮助开发者、数据科学家以及相关用户更有效地处理数据，而不必使用复杂的命令行，也不必关心集群的实现细节。Zeppelin的架构图如下所示。

    从图中可以看到，Zeppelin具有客户端/服务器架构，客户端一般就是指浏览器。服务器接收客户端的请求，并将请求通过Thrift协议发送给翻译器组。翻译器组物理表现为JVM进程，负责实际处理客户端的请求并与服务器进行通信。

    翻译器是一个插件式的体系结构，允许任何语言/后端数据处理程序以插件的形式添加到Zeppelin中。特别需要指出的是，Zeppelin内建Spark翻译器，因此不需要构建单独的模块、插件或库。Spark翻译器的架构图如下所示。

    当前的Zeppelin已经支持很多翻译器，如Zeppelin 0.6.0版本自带的翻译器有alluxio、cassandra、file、hbase、ignite、kylin、md、phoenix、sh、tajo、angular、elasticsearch、flink、hive、jdbc、lens、psql、spark等18种之多。插件式架构允许用户在Zeppelin中使用自己熟悉的特定程序语言或数据处理方式。例如，通过使用%spark翻译器，可以在Zeppelin中使用Scala语言代码。

    在数据可视化方面，Zeppelin已经包含一些基本的图表，如柱状图、饼图、线形图、散点图等，任何后端语言的输出都可以被图形化表示。

    用户建立的每一个查询叫做一个note，note的URL在多用户间共享，Zeppelin将向所有用户实时广播note的变化。Zeppelin还提供一个只显示查询结果的URL，该页不包括任何菜单和按钮。用这种方式可以方便地将结果页作为一帧嵌入到自己的web站点中。

2. Zeppelin安装配置

    下面用一个典型的使用场景——使用Zeppelin运行SparkSQL访问Hive表，在一个实验环境上说明Zeppelin的安装配置步骤。

（1）安装环境

    12个节点的Spark集群，以standalone方式部署，各个节点运行的进程如下表所示。

    操作系统：CentOS release 6.4

    Hadoop版本：2.7.0

    Hive版本：2.0.0

    Spark版本：1.6.0

（2）在nbidc-agent-04上安装部署Zeppelin及其相关组件

    前提：nbidc-agent-04需要能够连接互联网。

1. 安装Git：在nbidc-agent-04上执行下面的指令。yum install curl-devel expat-devel gettext-devel openssl-devel zlib-devel yum install gcc perl-ExtUtils-MakeMaker yum remove git cd /home/work/tools/ wget https://github.com/git/git/archive/v2.8.1.tar.gz tar -zxvf git-2.8.1.tar.gz cd git-2.8.1.tar.gz make prefix=/home/work/tools/git all make prefix=/home/work/tools/git install
2. 安装Java：在nbidc-agent-03机器上执行下面的指令拷贝Java安装目录到nbidc-agent-04机器上。scp -r jdk1.7.0_75 nbidc-agent-04:/home/work/tools/
3. 安装Apache Maven：在agent-04上执行下面的指令。cd /home/work/tools/ wget ftp://mirror.reverse.net/pub/apache/maven/maven-3/3.3.9/binaries/apache-maven-3.3.9-bin.tar.gz tar -zxvf apache-maven-3.3.9-bin.tar.gz
4. 安装Hadoop客户端：在nbidc-agent-03机器上执行下面的指令拷贝Hadoop安装目录到nbidc-agent-04机器上。scp -r hadoop nbidc-agent-04:/home/work/tools/
5. 安装Spark客户端：在nbidc-agent-03机器上执行下面的指令拷贝Spark安装目录到nbidc-agent-04机器上。scp -r spark nbidc-agent-04:/home/work/tools/
6. 安装Hive客户端：在nbidc-agent-03机器上执行下面的指令拷贝Hive安装目录到nbidc-agent-04机器上。scp -r hive nbidc-agent-04:/home/work/tools/
7. 安装phantomjs：在nbidc-agent-04上执行下面的指令。cd /home/work/tools/ tar -jxvf phantomjs-2.1.1-linux-x86_64.tar.bz2
8. 下载最新的zeppelin源码：在nbidc-agent-04上执行下面的指令。cd /home/work/tools/ git clone https://github.com/apache/incubator-zeppelin.git
9. 设置环境变量：在nbidc-agent-04上编辑/home/work/.bashrc文件，内容如下。vi /home/work/.bashrc # 添加下面的内容 export PATH=.:$PATH:/home/work/tools/jdk1.7.0_75/bin:/home/work/tools/hadoop/bin:/home/work/tools/spark/bin:/home/work/tools/hive/bin:/home/work/tools/phantomjs-2.1.1-linux-x86_64/bin:/home/work/tools/incubator-zeppelin/bin; export JAVA_HOME=/home/work/tools/jdk1.7.0_75 export HADOOP_HOME=/home/work/tools/hadoop export SPARK_HOME=/home/work/tools/spark export HIVE_HOME=/home/work/tools/hive export ZEPPELIN_HOME=/home/work/tools/incubator-zeppelin # 保存文件，并是设置生效 source /home/work/.bashrc
10. 编译zeppelin源码：在nbidc-agent-04上执行下面的指令。cd /home/work/tools/incubator-zeppelin mvn clean package -Pspark-1.6 -Dspark.version=1.6.0 -Dhadoop.version=2.7.0 -Phadoop-2.6 -Pyarn -DskipTests

（3）配置zeppelin

1. 配置zeppelin-env.sh文件：在nbidc-agent-04上执行下面的指令。cp /home/work/tools/incubator-zeppelin/conf/zeppelin-env.sh.template /home/work/tools/incubator-zeppelin/conf/zeppelin-env.sh vi /home/work/tools/incubator-zeppelin/conf/zeppelin-env.sh # 添加下面的内容 export JAVA_HOME=/home/work/tools/jdk1.7.0_75 export HADOOP_CONF_DIR=/home/work/tools/hadoop/etc/hadoop export MASTER=spark://nbidc-agent-03:7077
2. 配置zeppelin-site.xml文件：在nbidc-agent-04上执行下面的指令。cp /home/work/tools/incubator-zeppelin/conf/zeppelin-site.xml.template /home/work/tools/incubator-zeppelin/conf/zeppelin-site.xml vi /home/work/tools/incubator-zeppelin/conf/zeppelin-site.xml # 修改下面这段的value值，设置zeppelin的端口为9090 <property> <name>zeppelin.server.port</name> <value>9090</value> <description>Server port.</description> </property>
3. 将hive-site.xml拷贝到zeppelin的配置目录下：在nbidc-agent-04上执行下面的指令。cd /home/work/tools/incubator-zeppelin cp /home/work/tools/hive/conf/hive-site.xml .

（4）启动zeppelin

    在nbidc-agent-04上执行下面的指令。

zeppelin-daemon.sh start

（5）测试

    从浏览器输入http://nbidc-agent-04:9090/，如下图所示。

    点击‘Interpreter’菜单，配置并保存spark解释器，如下图所示。

    配置并保存hive解释器，如下图所示。

    点击‘NoteBook’->‘Create new note’子菜单项，建立一个新的查询并执行，结果如下图所示。

    说明：这是一个动态表单SQL，SparkSQL语句为：

%sql  
select * from wxy.t1 where rate > ${r} 

    第一行指定解释器为SparkSQL，第二行用${r}指定一个运行时参数，执行时页面上会出现一个文本编辑框，输入参数后回车，查询会按照指定参数进行，如图会查询rate > 100的记录。

3. 在Zeppelin中添加MySQL翻译器

    数据可视化的需求很普遍，如果常用的如MySQL这样的关系数据库也能使用Zeppelin查询，并将结果图形化显示，那么就可以用一套统一的数据可视化方案处理大多数常用查询。Zeppelin本身还不带MySQL翻译器，幸运的是已经有MySQL翻译器插件了。下面说明该插件的安装步骤及简单测试。

（1）编译MySQL Interpreter源代码

cd /home/work/tools/
git clone https://github.com/jiekechoo/zeppelin-interpreter-mysql
mvn clean package

（2）部署二进制包

mkdir /home/work/tools/incubator-zeppelin/interpreter/mysql
cp /home/work/tools/zeppelin-interpreter-mysql/target/zeppelin-mysql-0.5.0-incubating.jar /home/work/tools/incubator-zeppelin/interpreter/mysql/
# copy dependencies to mysql directory
cp commons-exec-1.1.jar mysql-connector-java-5.1.6.jar slf4j-log4j12-1.7.10.jar log4j-1.2.17.jar slf4j-api-1.7.10.jar /home/work/tools/incubator-zeppelin/interpreter/mysql/
vi /home/work/tools/incubator-zeppelin/conf/zeppelin-site.xml

    在zeppelin.interpreters 的value里增加一些内容“,org.apache.zeppelin.mysql.MysqlInterpreter”，如下图所示。

（3）重启Zeppelin

zeppelin-daemon.sh restart

（4）加载MySQL Interpreter

打开主页http://nbidc-agent-04:9090/，‘Interpreter’ -> ‘Create’，完成类似下图的页面，完成点击‘Save’

（5）测试

• 创建名为mysql_test的note，如下图所示。

• 输入下面的查询语句，按创建日期统计建立表的个数。

%mysql
select date_format(create_time,'%Y-%m-%d') d, count(*) c 
  from information_schema.tables 
 group by date_format(create_time,'%Y-%m-%d') 
 order by d;

    查询结果的表格表示如下图所示。

    查询结果的柱状图表示如下图所示。

    查询结果的饼图表示如下图所示。

    查询结果的堆叠图表示如下图所示。

    查询结果的线形图表示如下图所示。

    查询结果的散点图表示如下图所示。

    报表模式的饼图表示如下图所示。

    可以点击如下图所示的链接单独引用此报表

    单独的页面能根据查询的修改而实时变化，比如将查询修改为：

select date_format(create_time,'%Y-%m-%d') d, count(*) c 
  from information_schema.tables 
 where create_time > '2016-06-07'
 group by date_format(create_time,'%Y-%m-%d') 
 order by d;

    增加了where子句，在运行此查询，结果如下图所示。

    单独链接的页面也随之自动发生变化，如下图所示。

5. Hue与Zeppelin比较

（1）功能

• Zeppelin和Hue都能提供一定的数据可视化的功能，都提供了多种图形化数据表示形式。单从这点来说，个人认为功能类似，大同小异，Hue可以通过经纬度进行地图定位，这个功能我在Zeppelin 0.6.0上没有找到。
• Zeppelin支持的后端数据查询程序较多，0.6.0版本缺省有18种，原生支持Spark。而Hue的3.9.0版本缺省只支持Hive、Impala、Pig和数据库查询。
• Zeppelin只提供了单一的数据处理功能，包括前面提到的数据摄取、数据发现、数据分析、数据可视化等都属于数据处理的范畴。而Hue的功能相对丰富的多，除了类似的数据处理，还有元数据管理、Oozie工作流管理、作业管理、用户管理、Sqoop集成等很多管理功能。从这点看，Zeppelin只是一个数据处理工具，而Hue更像是一个综合管理工具。

（2）架构

• Zeppelin采用插件式的翻译器，通过插件开发，可以添加任何后端语言和数据处理程序。相对来说更独立和开放。
• Hue与Hadoop生态圈的其它组件密切相关，一般都与CDH一同部署。

（3）使用场景

• Zeppelin适合单一数据处理、但后端处理语言繁多的场景，尤其适合Spark。
• Hue适合与Hadoop集群的多个组件交互、如Oozie工作流、Sqoop等联合处理数据的场景，尤其适合与Impala协同工作。