大数据处理技术

大数据处理技术科信办刘伟2014年4月第一节Mapreduce编程模型第二节hadoopHDFS原理第三节nosql之hbase第一节Mapreduce编程模型1.技术背景2.mapreduce的概念3.mapreduce的编程模型原理4mapreduce工作流程5.mapreduce的局限1.技术背景：分布式并行计算是大数据（pb）处理的有效方法，编写正确高效的大规模并行分布式程序是计算机工程领域的难题。并行计算的模型、计算任务分发、计算机结果合并、计算节点的通讯、计算节点的负载均衡、计算机节点容错处理、节点文件的管理等方面都要考虑。为了解决上述复杂的问题，谷歌设计一个新的抽象模型，使用这个抽象模型，普通程序员只要表述他们想要执行的简单运算即可，而不必关心并行计算、容错、数据分布、负载均衡等复杂的细节，这些问题都被封装了，交个了后台程序来处理。这个模型就是mapreduce。谷歌2004年公布的mapreduce编程模型，在工业界、学术界产生巨大影响，以至于谈大数据必谈mapreduce。工业界试图做的事情就是要实现一个能够媲美或者比Googlemapreduce更好的系统，多年的努力下来，Hadoop（开源）脱颖而出，成为外界实现MapReduce计算模型事实上的标准，围绕着Hadoop，已经形成了一个庞大的生态系统。2.mapreduce的概念：MapReduce是一个编程模型，一个处理和生成超大数据集的算法模型的相关实现。简单的一句话解释MapReduce就是“任务的分解与结果的汇总”。mapreduce成功的最大因素是它简单的编程模型。程序员只要按照这个框架的要求，设计map和reduce函数，剩下的工作，如分布式存储、节点调度、负载均衡、节点通讯、容错处理和故障恢复都由mapreduce框架（比如hadoop）自动完成，设计的程序有很高的扩展性。3.mapreduce的编程模型原理：开发人员用两个函数表达这个计算：Map和Reduce。即：(input)k1,v1====map(k1,v1)-list(k2,v2)===combine---k2,v2[List]=reduce(k2,list(v2))-list(v2)(output)单词统计单词统计map(Stringkey,Stringvalue)://key:documentname//value:documentcontentsforeachwordwinvalue:EmitIntermediate(w,“1″);reduce(Stringkey,Iteratorvalues)://key:aword//values:alistofcountsintresult=0;foreachvinvalues:result+=ParseInt(v);Emit(AsString(result));一共分为map（分解）shuffle（洗牌）reduce（归并）三个阶段。map阶段，每个节点调用程序员编写的map函数，作用于每一个在此节点存放的键值对，map函数的输出同样是一些键值对，中间结果进入shuffle阶段，shuffle系统自动完成，程序员无须也无法控制，shuffle阶段会把所有中间结果里的键相同的所有键-值对通过网络传递给同一个目标节点。在最后的reduce阶段，每个节点会对所有键相同的键值对调用程序员编写的reduce函数，输出最终结果。4.mapreduce工作流程Map阶段：数据经过分片化成M个数据集，每个数据集由一个maper节点经过map函数处理成key-value对形式的数据集。Shuffle阶段：map输出的结果放在maper节点本地内存缓存区，缓存区先按照key进行分区（如果有R个reducer，hash（key）modR分成R个分区，初步划分）、分区内对key排序（排序后可附加combiner合并操作，减少写磁盘数据量），缓冲区快要溢出时，溢写文件，多个溢写文件合并，合并过程再次排序（排序后可附加combiner合并操作），最后形成一个已经分区的、已经排序（对key的排序）的文件。Reduce端会把属于本区的数据取（fetch）到内存，进行合并，合并过程再次排序，缓冲区快要溢出时，溢写文件，多个溢写文件合并，合并过程再次排序，合并为更大的排序文件，最终实现reduce输入数据是经过排序（对key的排序）的数据。有r个reduce,就有r个结果。其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作，所以说：mapreduce是大数据处理的灵魂，排序是mapreduce的灵魂。Reduce阶段：最后一次合并的数据总是直接送到Reduce函数那里，Reduce函数会作用在排序输入的每一个key-list（value）上，最后的输出key-value对被直接写到HDFS上（分布式文件系统）。5.mapreduce的局限一个mapreduce任务的瓶颈往往在中间的shuffle阶段。启动开销大，简单任务也要尽力map-shuffle-redcuce三个阶段，无法实时响应。只能处理静态数据，对于变化快的数据无能为力。mapreduce的系统实现是谷歌的机密，据说2007年谷歌mapreduce版本比2012年hadoop快一个数量级。Hadoop的mapreduce框架在2013年升级mapreduceV2，yarn。第二节HDFS(hadoop分布式文件系统)1.三个部分:客户端、nameserver（可理解为主控和文件索引,类似linux的inode）、datanode（存放实际数据）2、如何写数据过程2、如何写数据过程2、如何写数据过程3、读取数据过程4、容错：第一部分：故障类型及其检测方法（nodeserver故障，和网络故障，和脏数据问题）4、容错：第一部分：故障类型及其检测方法（nodeserver故障，和网络故障，和脏数据问题）5、容错第二部分：读写容错6、容错第三部分：dataNode失效7、备份规则8、结束语第三节nosql——hbase为什么要用HBase?1.数据集成长为tb和pb级2.横向扩展（增加节点）比扩容便宜，通过添加节点即可适应数据的持续增长*出于同样的原因,我们需要Hadoop,但有时Hadoop是不够的3.需要支持随机读取和随机写入4,传统数据库扩容很昂贵，而且数据很难分发（分布式计算）HBase是什么?•分布式•列式数据库•多维•高可用性•高性能•存储系统目标：十亿行*数百万列*成千上万的版本Pb级数据分布在成千上万的服务器节点上HBase不是…不是传统的SQL数据库——没有连接,没有查询引擎,没有类型,没有SQL——有事务和二级索引，但这些是插件,而不是HBase的核心部分•作为RDBMS的替代•必须了解RDBMS相反的模式——非标准的数据——表格很宽,数据分布稀疏HBase是如何工作的呢?两种类型的HBase节点:Master管理节点和RegionServer分区节点•master（只有一个管理节点）——管理集群的操作•任务调度、负载平衡、数据分裂——它不负责读/写数据——通过ZooKeeperandstandbys（备用服务器）实现高度可用性•RegionServer(一个或多个)——存表格的节点：执行读取、缓冲写——与客户端直接点对点进行读/写HBase表•一个HBase集群是由任意数量的用户定义的表组成•表模式只定义列族——每个列族包含任意数量的列——每一列包含任意数量的版本——列只在插入时才产生,空值不占用空间——除了表名和列族名外，所有的数据都是字节存储——表中的行已被排序，顺序存储——列族里列也被排序，顺序存储(表、行、列族、列,时间戳)值HBase表数据结构•一张表里行的映射与其列族是一个有序映射关系——SortedMap(rowlist(ColumnFamilies))•一个列族里的列名与版本值是一个有序映射关系——SortedMap(columnSortedMap(VersionedValues))•一列里时间戳与值是一个有序映射关系------SortedMap(TimestampValue)HBase表是一个三维有序的映射表SortedMap(RowKey，List(SortedMap(Column，List(SortedMap(Timestamp,Value)))))–rowKey(ASC)+columnLabel(ASC)+Version(DESC)--value行键升序列族：列名时间戳valuerow=row0，column=anchor:bar，timestamp=1174184619081……row=row0，column=anchor:foo，timestamp=1174184620720row=row0，column=anchor:foo，timestamp=1174184617161row=row1，column=anchor:bar，timestamp=1174184619081row=row1，column=anchor:foo，timestamp=1174184620721row=row1，column=anchor:foo，timestamp=1174184617167row=row2，column=anchor:bar，timestamp=1174184619081row=row2，column=anchor:foo，timestamp=1174184620724row=row2，column=anchor:foo，timestamp=1174184617167特点良好的压缩比。由于大多数数据库设计都有冗余，如此一来，压缩比非常高，把40多M的数据导入infobright，没想到数据文件只有1M多列上的计算非常的快。方便MapReduce和Key-value模型的融合读取整行的数据较慢，但部分数据较快HBaseRegions•表由任意数量的Regions组成•regions用startKey和endKey来标记——空表:(Table,NULL,NULL)------两个region表:(Table,NULL,“MidKey”)and(Table,“MidKey”,NULL)•一个region放在一个RegionServer节点上•多个region,可能放在一个不同的节点上，每一个region由若干个HDFSfilesandblocks组成,每个HDFSfilesandblocks由Hadoop复制，保存多个副本。HBase架构•region信息和位置信息存储在特殊目录表----ROOT表包含元数据表的位置----.META表包含userregions的模式（结构说明）和位置信息•-ROOT的位置存储在zookeeper上，-这是“引导”区•zookeeper节点用于协调/监控——引导集群选举一个节点作为master节点——检测RegionServer节点故障的临时节点（故障信息传递给master处理）HBase关键特性•数据的自动分区——数据的增长,region是自动分裂•数据透明分布——节点间的负载自动均衡•表按照行排序，行按照列排序——这个设计可以高效读取和扫描——组合键（即列）可以排序也可以分组•有服务器端的过滤功能•因为集成ZooKeeper，所以没有单点故障•在线状态下（不终止服务的情况下）快速添加/移除的节点——移动数据的位置，不移动数据（指向另外两个备份的中的一个）•在线状态下（不终止服务的情况下）支持创建/修改表——可以配置表和列族的参数•与HadoopMapReduce关系密切：-TableInputFormat/TableOutputForma表输入/输出格式化HFileOutputFormat文件输出格式化（都是mapreduce计算）HBase访问接口NativeJavaClient/API–Get,Scan,Put,Deleteclasses–HTableforre