大數據分析系統Hadoop的13個開源工具

 

Hadoop是由Apache基金會開發的一個大數據分佈式系統基礎架構，最先版本是2003年原Yahoo!DougCutting根據Google發佈的學術論文研究而來。

用戶能夠在不瞭解分佈式底層細節的狀況下，輕鬆地在Hadoop上開發和運行處理海量數據的應用程序。低成本、高可靠、高擴展、高有效、高容錯等特性讓Hadoop成爲最流行的大數據分析系統，然而其賴以生存的HDFS和MapReduce組件卻讓其一度陷入困境——批處理的工做方式讓其只適用於離線數據處理，在要求實時性的場景下毫無用武之地。

所以，各類基於Hadoop的工具應運而生，本次爲你們分享Hadoop生態系統中最經常使用的13個開源工具，其中包括資源調度、流計算及各類業務針對應用場景。首先，咱們看資源管理相關。

資源統一管理/調度系統

在公司和機構中，服務器每每會由於業務邏輯被拆分爲多個集羣，基於數據密集型的處理框架也是不斷涌現，好比支持離線處理的MapReduce、支持在線處理的Storm及Impala、支持迭代計算的Spark及流處理框架S4，它們誕生於不一樣的實驗室，並各有所長。相信有不少學習大數據的道友，在這裏我給你們說說我滴羣哦，大數據海量知識分享，784789432.在此我保證，絕對大數據的乾貨，等待各位的到來，咱們一同從入門到精通吧！

爲了減小管理成本，提高資源的利用率，一個共同的想法產生——讓這些框架運行在同一個集羣上;所以，就有了當下衆多的資源統一管理/調度系統，本次爲你們重點介紹ApacheMesos及YARN：

一、ApacheMesos

代碼託管地址：ApacheSVN

Mesos提供了高效、跨分佈式應用程序和框架的資源隔離和共享，支持Hadoop、MPI、Hypertable、Spark等。

Mesos是Apache孵化器中的一個開源項目，使用ZooKeeper實現容錯複製，使用LinuxContainers來隔離任務，支持多種資源計劃分配(內存和CPU)。提供Java、Python和C++APIs來開發新的並行應用程序，提供基於Web的用戶界面來提查看集羣狀態。

二、HadoopYARN

代碼託管地址：ApacheSVN

YARN又被稱爲MapReduce2.0，借鑑Mesos，YARN提出了資源隔離解決方案Container，可是目前還沒有成熟，僅僅提供Java虛擬機內存的隔離。

對比MapReduce1.x，YARN架構在客戶端上並未作太大的改變，在調用API及接口上還保持大部分的兼容，然而在YARN中，開發人員使用ResourceManager、ApplicationMaster與NodeManager代替了原框架中核心的JobTracker和TaskTracker。其中ResourceManager是一箇中心的服務，負責調度、啓動每個Job所屬的ApplicationMaster，另外還監控ApplicationMaster的存在狀況;NodeManager負責Container狀態的維護，並向RM保持心跳。ApplicationMaster負責一個Job生命週期內的全部工做，相似老的框架中JobTracker。

Hadoop上的實時解決方案

前面咱們有說過，在互聯網公司中基於業務邏輯需求，企業每每會採用多種計算框架，好比從事搜索業務的公司：網頁索引創建用MapReduce，天然語言處理用Spark等。

三、ClouderaImpala

代碼託管地址：GitHub

Impala是由Cloudera開發，一個開源的MassivelyParallelProcessing(MPP)查詢引擎。與Hive相同的元數據、SQL語法、ODBC驅動程序和用戶接口(HueBeeswax)，能夠直接在HDFS或HBase上提供快速、交互式SQL查詢。Impala是在Dremel的啓發下開發的，第一個版本發佈於2012年底。

Impala再也不使用緩慢的Hive+MapReduce批處理，而是經過與商用並行關係數據庫中相似的分佈式查詢引擎(由QueryPlanner、QueryCoordinator和QueryExecEngine三部分組成)，能夠直接從HDFS或者HBase中用SELECT、JOIN和統計函數查詢數據，從而大大下降了延遲。

四、Spark

代碼託管地址：Apache

Spark是個開源的數據分析集羣計算框架，最初由加州大學伯克利分校AMPLab開發，創建於HDFS之上。Spark與Hadoop同樣，用於構建大規模、低延時的數據分析應用。Spark採用Scala語言實現，使用Scala做爲應用框架。

Spark採用基於內存的分佈式數據集，優化了迭代式的工做負載以及交互式查詢。與Hadoop不一樣的是，Spark和Scala緊密集成，Scala像管理本地collective對象那樣管理分佈式數據集。Spark支持分佈式數據集上的迭代式任務，實際上能夠在Hadoop文件系統上與Hadoop一塊兒運行(經過YARN、Mesos等實現)。

五、Storm

代碼託管地址：GitHub

Storm是一個分佈式的、容錯的實時計算系統，由BackType開發，後被Twitter捕獲。Storm屬於流處理平臺，多用於實時計算並更新數據庫。Storm也可被用於「連續計算」(continuouscomputation)，對數據流作連續查詢，在計算時就將結果以流的形式輸出給用戶。它還可被用於「分佈式RPC」，以並行的方式運行昂貴的運算。

Hadoop上的其它解決方案

就像前文說，基於業務對實時的需求，各個實驗室發明了Storm、Impala、Spark、Samza等流實時處理工具。而本節咱們將分享的是實驗室基於性能、兼容性、數據類型研究的開源解決方案，其中包括Shark、Phoenix、ApacheAccumulo、ApacheDrill、ApacheGiraph、ApacheHama、ApacheTez、ApacheAmbari。

六、Shark

代碼託管地址：GitHub

Shark，表明了「HiveonSpark」，一個專爲Spark打造的大規模數據倉庫系統，兼容ApacheHive。無需修改現有的數據或者查詢，就能夠用100倍的速度執行HiveQL。

Shark支持Hive查詢語言、元存儲、序列化格式及自定義函數，與現有Hive部署無縫集成，是一個更快、更強大的替代方案。

七、Phoenix

代碼託管地址：GitHub

Phoenix是構建在ApacheHBase之上的一個SQL中間層，徹底使用Java編寫，提供了一個客戶端可嵌入的JDBC驅動。Phoenix查詢引擎會將SQL查詢轉換爲一個或多個HBasescan，並編排執行以生成標準的JDBC結果集。直接使用HBaseAPI、協同處理器與自定義過濾器，對於簡單查詢來講，其性能量級是毫秒，對於百萬級別的行數來講，其性能量級是秒。Phoenix徹底託管在GitHub之上。

Phoenix值得關注的特性包括：1，嵌入式的JDBC驅動，實現了大部分的java.sql接口，包括元數據API;2，能夠經過多個行鍵或是鍵/值單元對列進行建模;3，DDL支持;4，版本化的模式倉庫;5，DML支持;5，經過客戶端的批處理實現的有限的事務支持;6，緊跟ANSISQL標準。

八、ApacheAccumulo

代碼託管地址：ApacheSVN

ApacheAccumulo是一個可靠的、可伸縮的、高性能、排序分佈式的鍵值存儲解決方案，基於單元訪問控制以及可定製的服務器端處理。使用GoogleBigTable設計思路，基於ApacheHadoop、Zookeeper和Thrift構建。Accumulo最先由NSA開發，後被捐獻給了Apache基金會。

對比GoogleBigTable，Accumulo主要提高在基於單元的訪問及服務器端的編程機制，後一處修改讓Accumulo能夠在數據處理過程當中任意點修改鍵值對。

九、ApacheDrill

代碼託管地址：GitHub

本質上，ApacheDrill是GoogleDremel的開源實現，本質是一個分佈式的mpp查詢層，支持SQL及一些用於NoSQL和Hadoop數據存儲系統上的語言，將有助於Hadoop用戶實現更快查詢海量數據集的目的。當下Drill還只能算上一個框架，只包含了Drill願景中的初始功能。

Drill的目的在於支持更普遍的數據源、數據格式及查詢語言，能夠經過對PB字節數據的快速掃描(大約幾秒內)完成相關分析，將是一個專爲互動分析大型數據集的分佈式系統。

十、ApacheGiraph

代碼託管地址：GitHub

ApacheGiraph是一個可伸縮的分佈式迭代圖處理系統，靈感來自BSP(bulksynchronousparallel)和Google的Pregel，與它們區別於則是是開源、基於Hadoop的架構等。

Giraph處理平臺適用於運行大規模的邏輯計算，好比頁面排行、共享連接、基於個性化排行等。Giraph專一於社交圖計算，被Facebook做爲其OpenGraph工具的核心，幾分鐘內處理數萬億次用戶及其行爲之間的鏈接。

十一、ApacheHama

代碼託管地址：GitHub

ApacheHama是一個創建在Hadoop上基於BSP(BulkSynchronousParallel)的計算框架，模仿了Google的Pregel。用來處理大規模的科學計算，特別是矩陣和圖計算。集羣環境中的系統架構由BSPMaster/GroomServer(ComputationEngine)、Zookeeper(DistributedLocking)、HDFS/HBase(StorageSystems)這3大塊組成。

十二、ApacheTez

代碼託管地址：GitHub

ApacheTez是基於HadoopYarn之上的DAG(有向無環圖，DirectedAcyclicGraph)計算框架。它把Map/Reduce過程拆分紅若干個子過程，同時能夠把多個Map/Reduce任務組合成一個較大的DAG任務，減小了Map/Reduce之間的文件存儲。同時合理組合其子過程，減小任務的運行時間。由Hortonworks開發並提供主要支持。

1三、ApacheAmbari

代碼託管地址：ApacheSVN

ApacheAmbari是一個供應、管理和監視ApacheHadoop集羣的開源框架，它提供一個直觀的操做工具和一個健壯的HadoopAPI,能夠隱藏複雜的Hadoop操做，使集羣操做大大簡化，首個版本發佈於2012年6月。

ApacheAmbari如今是一個Apache的頂級項目，早在2011年8月，Hortonworks引進Ambari做爲ApacheIncubator項目，制定了Hadoop集羣極致簡單管理的願景。在兩年多的開發社區顯着成長，從一個小團隊，成長爲Hortonworks各類組織的貢獻者。Ambari用戶羣一直在穩步增加，許多機構依靠Ambari在其大型數據中心大規模部署和管理Hadoop集羣。

目前ApacheAmbari支持的Hadoop組件包括：HDFS、MapReduce、Hive、HCatalog、HBase、ZooKeeper、Oozie、Pig及Sqoop。