技术  存储 

Hadoop生态-Hive、HBase.md

Hadoop系列四：Hadoop生态，包括Hive、HBase

Hive

复习

工具类，没有多少知识点，从local或者hdfs中，将数据load进hive，然后就可以像使用sql一样去查询数据了
需要看Hive_001_Select

简介

  • 数据仓库：用类sql来操作hdfs
  • 包括：解释器，编译器，优化器等
  • 理解：hadoop的客户端，可能先连接hdfs存数据，也可能先连接mr来执行
  • hql或者hive sql

Hive:数据仓储
Hive：解释器，编译器，优化器
Hive：运行时，元数据存储在关系型数据库里边。需要安装一个mysql

安装

mysql

yum install mysql -server
service mysqld start
netstart -nplt | grep 3306(mysqld)
mysql中，
grant all privilges on . to root@'node1' identified by '1234'
grant all privilges on . to root@'%'' identified by '123'4

mysql最大的问题是对grant授权后，在centos下执行mysql时，出现的权限问题。
重新赋权限以及密码的修改：

  1. service mysqld stop
  2. mysqld_safe --skip-grant-tables
  3. 重新启动控制台mysql进入
  4. mysql -u root
    use mysql
    UPDATE user SET Password=PASSWORD('123456') WHERE user='root';
    flush privileges
    \q推出
  5. 登录：mysql -uroot -p123456 ，中间有空格会造成失败。

hive安装

  • 下载的hive-0.13版本，放在对应的node1的目录下，解压（由于hive是客户端，所以只部署了node1）
  • ln -sf /root/hive-0.13 /home/hive-0.13
  • 初始化表
  • 启动
    ./hive即可。
    服务./hiveserver2（使用./beeline时使用）

语法

DDL

create table
注意array、collection,map等分隔符
以及partitioned by 等应用
load data local inpath '/root/data.txt' into table t_tablename;

DML

与关系型数据库类似

hive服务

简介

  • HQL脚本有三种运行方式
    hive -e 'hql'
    hive -f 'hql.file'
    hive jdbc代码执行脚本

  • hive有2种函数
    UDF: 函数的输入数据为一条,输出也为一条,
    UDAF: 函数的输入为多行, 输出不限定. count聚合函数, min(col), max(col)

外部链接

  • 修改配置文件
<property>
<name>hive.server2.thrift.bind.host</name>
<value>node1</value>
</property>

5000L

  • 启动服务
    ./hive --service hiveserver2

  • 内部连接测试
    ./beeline
    !connect jdbc:hive2://node1:10000
    用户名root，密码无

jdbc:hive程序

程序见HiveSelect
将hadoop作为了jdbc，可以用与之前的SpringMVC练习在一起了。

分隔符录入

  • 增加jar包
    需要在hive下执行：add jar /home/hive-0.13/lib/hive-contrib-0.13.1.jar;
  • 创建表
CREATE TABLE apachelog (
    host STRING,
    identity STRING,
    user STRING,
    time STRING,
    request STRING,
    status STRING,
    size STRING)
    ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'
    WITH SERDEPROPERTIES (

    "input.regex" = "([^ ]*) ([^ ]*) ([^ ]*) (-|\\[[^\\]]*\\]) (\"[^\"]*\") (-|[0-9]*) (-|[0-9]*)"
    )
STORED AS TEXTFILE;
  • 原始数据
  0:0:0:0:0:0:0:1 - - [14/Dec/2017:16:12:31 +0800] "POST /Spring_015_Registration_11_i18n/u.action HTTP/1.1" 200 628
  0:0:0:0:0:0:0:1 - - [14/Dec/2017:16:20:02 +0800] "GET /Spring_015_Registration_11_i18n/register.jsp HTTP/1.1" 200 878
  0:0:0:0:0:0:0:1 - - [14/Dec/2017:16:20:17 +0800] "POST /Spring_015_Registration_11_i18n/u.action HTTP/1.1" 200 640
  • select count(*) from apachelog where request like '%GET%';

HBase

http://abloz.com/hbase/book.html

复习

  1. 数据模型，就是NoSQL的模型，rowkey+版本+列族
  2. HBase的体系结构，有HMaster以及HRegionServer.HRegionServer上有维护者regionHBase的最小单位），region又有多个store组成，store对应着列族，涉及storefile与memfile（内存），应该是memfile溢写到storefile，storefile中的数据是存储在hdfs上的。
  3. 操作需要看工程baseOperate。报告建表、增删查

hadoop生态系统

  • flume:数据收集工具
  • sqoop:关系型数据库与hadoop相互导入的工具
  • mahout：mapreduce的方法用于数据挖掘。
  • hive与HBase区别在于：hive基于mr，而HBase仅依靠hdfs

HBase简介

  • mapreduce：离线计算，不支持实时的计算，用于前期的计算
  • HBase的实时的：如通话记录，银行账单，社交聊天信息等数据量大，实时在线查询
  • HBase是面向列的（NoSQL数据库）数据库【hive也是离线的】
  • 利用HDFS作为其文件存储系统，利用MR处理HBase中海量数据，利用Zookeeper作为其分布式协同服务【主要用于ha】

【重点】数据模型（rowkey+版本+列族）

  • Row Key相同为一行
  • 使用时间戳记录版本，用于克服HDFS不好修改的问题,不同版本的时间戳按倒叙排列
  • 列族（Column Family）：记录各个时间的数据
  • 每个列都数据列族，列族必须作为表模式定义的一部分预先给出
  • 列名以列族作为前缀，每个列族都可以有多个列成员，新的列，可以随时按需动态加入
  • 权限控制、存储、调优都是在列族层面进行。
  • 同一列族里面的数据存储在同一目录下，由几个文件保存。
  • hive优化：reduce数量，count(*),UDF
  • Cell
    由行和列的坐标交叉决定
    单元格有版本
    单元格时key:value存储
    {rowkey, column(famliy+qualifier),version}确定唯一单元
    cell中数据没有类型，全部是字节码存储。
  • HLog
    记录对HBase读写增删操作的日志

【重点】HBase体系架构（region+store（列族）+storefile）

19.HBase体系架构

  • 一主（HMaster）多辅(HRegionServer)

  • Zookeeper完成对HMaster的HA

  • 每个HReigionServer只有一个HLog

  • HReigon以RowKey为单位的存储由多个store组成
    每个store都是一个列族
    store分为memStore(内存中)与storeFile，内存溢写成storeFile
    storeFile有HFile的元数据HFile在HDFS上，StoreFile存在HRegionServer上。

  • 小文件合并成大文件

  • 老版本的数据也会在整理时被删除？

  • zookeeper
    保存集群中只有一个master
    存储所有region的寻址入口
    实时监控Region server的上线与下线信息，并实时通知Mater，有问题可以转存到其他Region Server

  • Master【控制节点机】
    为RegionServer分配region
    负责RegionServer的负载均衡，新增加数据的负载均衡
    发现失效的RegionServer并重新分配其上的region
    管理用户对table的增删改操作

  • regionServer【任务节点机】
    维护region,处理多这些region的IO请求
    负责切分运行过程中变大的region
    影响HBase的并发

  • region【分区：一个文件可以有n分区】，是HBase中存储的最小单元
    自动把表水平分成多个region，每个表一开始只有一个region，数据增大到阈值，region裂变
    当table越来越大，region也越来越多，这两完整的表被保存在多个region上。
    HBase实时的实现，是通过用region分割table来实现的。

  • store【列族：目录】
    一个region有多个store组成，一个store对应一个列族
    store包括内存memstore与磁盘的storefile
    当storefile增长到一定阈值，会进行合并（minor，major）进行版本合并和删除工作（majar），形成大的storefile，合并过程很耗内存。为减少合并，表最好不超过3个列族。表就一个列族很好。
    客户端检索数据，先找内存memstore
    一个目录下可以增加新的文件【列】

  • 问题：HRegionServer如何做备份（并发机制）如dataNode

安装

单机

  • zookeeper无法安装的问题在于hbase下载的是为haoop1，换成hadoop2版本后可以运行单机
  • 修改配置文件
    hbase-env.sh中设置JAVA_HOME
    hbase-site.xml中设置
<property>
    <name>hbase.rootdir</name>
    <value>file:///opt/hbase</value>
</property>

//注意file是本地，可以写hdfs

<property>
    <name>hbase.zookeeper.property.dataDir</name>
    <value>/opt/hbase/zookeeper</value>
</property>

完全分布式

  • 修改hbase-site.xml
  <property>
    <name>hbase.rootdir</name>
    <value>hdfs://suncluster/hbase</value>
  </property>

  <property>
    </name>hbase.cluster.distributed</name>
    <value>true</value>
  </property>

  • 修该regionservers
    增加跑regionserver节点的机器名：node2，node3

  • zookeeper
    hbase-env.sh 中HBASE_MANAGES_ZK项设为false（不启动内部的zookeeper）
    在hbase-site.xml中配置跑zookeeper的机器，及工作目录

<property>
    <name>hbase.zookeeper.quorum</name>
    <value>node1,node2,node3</value>
    </description>
</property>
<property>
    <name>hbase.zookeeper.property.dataDir</name>
    <value>/opt/zookeeper</value>
</property>

  • hdfs
    将hdfs-site.xml放到hbase/conf下一份

  • 启动
    ./start-hbase.sh
    在其他机器上./hbase-daemon.sh start master
    ./hbase hfile -p -f /
    存储的是键值对，以列族为单位存储。

安装问题

若master节点与regionserver节点时间差大于3000毫秒，启动失败，需要对时

  sudo yum install ntp
  systemctl enable ntpd
  ntpdate asia.pool.ntp.org：同步时区时间
  ntpdate ntp.sjtu.edu.cn
  timedatectl

date与timedatectl不一致

访问

HBASE: http://node1:60010
HDFS: http://node1:50070
MR: http://node1:50030

基础操作

create 't','cf1'
put 't','001','cf1:name','zhangsan'(001是rowkey)
scan 't'(查看所有)
get 't','001'
disable 't'
drop 't'(删除表需要先disable再drop)

优化

表的设计

  1. pre-create regions预分区
    预分区真正解决数据倾斜问题，预先创建一些空的regions，这样当数据写入HBase时，会按照region分区情况，在集群内做数据的负载均衡。
    每个分区都可以设置startkey与endkey
    尽可能将各个分区的大小均匀
  2. Row Key
    • row key用来检索记录，表的设计关键是row key，支持以下三种方式
      通过单个row key
      功过row key的range进行扫描
      全表扫描
    • row key是按照字典排序存储，将经常一起读的数据存存到一起，将最近可能被访问的数据放到一起
    • 举例：
      如果最近写入HBase表中的数据是最可能被访问的，可以考虑将时间戳作为row key的一部分。由于是字典排序，可以使用long.MAX-VALUE-timestamp作为row key这样能保证写入的数据被快速命中。
  3. Column Family
    一张表不能定义太多的CF，
  4. In Memory
    创建表的时候可以通过HColumnDescriptor.setInMemory(true)将表放到RegionServer的缓存中，保证在读取表的时候被cache命中。
  5. Max Version
    创建表时，每个列族都可以设置可以通过HColumnDescriptor.setMaxVersions(int maxVersions)设置表中数据最大版本书，如果只需要保存最新版本的数据，可以设置为1
  6. time To Live
    可以功过HColumnDescriptor.setTimeToLive()设置列族中数据的存储生命期，过期数据自动删除。单位是秒。
  7. compact（合并） & split

    • major compact:
      是将所有store file合并成一个，触发可能条件有：major_compact命令,majorCompact()API,regionServer自动运行（默认参数hbase.hregion.majorcompaction默认为24小时）。hbase.hregion.majorcompaction.jetter默认值为0.2，浮动值，为防止在同一时间进行。
      一般通过编程控制majorCompacte在空闲时间进行一次，有大量IO

    • minor compact:有以下几个参数共同决定
      hbase.hstore.compaction.min：默认为3，表示满足条件的store file数量
      hbase.hstore.compaction.max：默认为10，表示一次的选取量
      hbase.hstore.compaction.min.size/max.size,文件大小在次之间的文件进行合并。
      一般不程序进行控制。

写表操作

  • 多HTable并发写

  • 参数设置
    AutoFlush: HTable.setAutoFlush（），如果是自动刷新，每次put就进行一次更新。通过false，将其关闭，通过代码去控制刷新，这样可以批量写入数据到HBase.
    write Buffer

  • 批量写
    HTable.put(list)方法

  • 多线程并发写

读表操作

  • 多HTble并发读
    setScannerCachineg(50)，欢度

  • 参数

  • 批量读

  • 多线程并发读

  • 查询缓存
    最好在客户端进行缓存，将HBase读出的数据放到redis中

HTable和HTablePool

  • HTable和HTablePool是HBase客户端API的一部分，可以使用它们对HBase表进行CRUD操作。
  • 就是HTable的池，避免
  • HTable之间共享Configuration，所以不是线程安全的。
# 大数据 
Hadoop2.0

评论

相关推荐

相关文章

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×

分类
技术
展示
算法
存储
网络
数据
产品
读书
非公开
标签
springcloud
Node.js
数学
一致性算法
MySQL
nginx
redis
Linux
微服务
大数据
语言
python
tcp/ip
spring