大数据学习二开源大数据技术栈介绍

Hadoop 与 Spark 开源大数据技术架栈

　　目前大数据开源技术太多了，很多公司都有自己的大数据技术栈，经过大家验证后最常用的，就是以 Hadoop 和 Spark 为核心的生态系统了。之前说过，大数据技术分为 6 层，下面给出除了数据可视化层以外的 5 层的 Hadoop 生态圈的开源工具。

数据收集层

　　Sqoop/Canal：关系型数据库与大数据存储的桥梁，也就是用来导数据的，将数据从关系型数据库导入到大数据存储中，Sqoop 用来做数据库的全量导入。canal 是阿里开源的产品，可以用来做增量导入，目前 canal 主要支持 mysql，可以参考这篇文章 http://www.importnew.com/25189.html。
　　Flume：非关系型数据库的数据采集工具，可以近实时的收集流式日志的工具，经过过滤，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，基于发布/订阅的模式设计，很适合大数据场景中流式数据的导入。

数据存储层

　　存储这块主要由分布式文件系统和分布式数据库构成。
　　HDFS：基于 google GFS 的开源实现，具有良好的扩展性和容错性，很适合构建在廉价的服务器上，大大节约成本，目前能支持多种类型的数据存储格式，例如 SSTable（Sorted String Table）、文本文件、二进制 key/value 格式的 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，是列式存储数据库，google BigTable 的开源实现，允许存结构化和半结构化数据，支持行列无限扩展以及数据随机查找与删除。
　　Kudu：分布式列式存储数据库，允许用户存储结构化数据，支持行无限扩展以及数据随机查找与更新。

资源管理与服务协调

　　YARN：统一资源管理与调度系统，统一管理整个集群的各种资源，例如 CPU、内存。支持多租户，多策略。
　　ZooKeeper：用作分布式服务协同，网上资料一大堆，非常成熟的开源产品。

计算引擎层

　　包含了批处理、交互式处理与流式处理三种引擎。
　　MapReduce/Tez：MapReduce 是经典的批处理计算引擎，也是基于 google 的 MapReduce 实现的开源版本，允许用户用 API 编写分布式程序。Tez 是基于 MapReduce 开发的通用 DAG（Directed Acyclic Graph，有向无环图）计算引擎，能够更加高效的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，目前使用最广的计算引擎，提供了基于 RDD（Resilient Distributed Dataset）的数据抽象表示，允许用户在内存中快速的进行数据挖掘和分析。
　　Impala/Presto：分别有 Cloudera 和 Facebook 开源的 MPP 系统，允许用户使用标准 SQL 处理存储在 Hadoop 中的数据。采用了并行架构处理，内置查询优化器、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升。
　　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。阿里还开源了一个 JStorm，效率比 storm 要高，可以参考 https://www.aliyun.com/jiaocheng/topic_26352.html。

数据分析层

　　方便用户分析数据提供的各类数据分析工具。
　　Hive/Pig/SparkSQL：构建在大数据计算引擎之上的，支持 SQL 语言或者脚本语言的分析系统。Hive 是基于 MapReduce/Tez 实现的 SQL 引擎，Pig 跟 Hive 差不多（我也没用过具体可以问度娘）。SparkSQL 是基于 Spark 实现的 SQL 引擎。
　　Mahout/MLlib：实现了用于机器学习和数据挖掘的算法。Mahout 是基于 MapReduce 实现的，MLlib 是基于 Spark 实现的。
　　Apache Beam/Cascading：基于各类计算框架封装的高级 API，方便用户构建复杂的数据流水线。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，如果你的数据可以表示成类似于数据库的行格式，则使用 Cascading 处理将变得很容易。