《大数据处理技术概述.ppt》由会员分享，可在线阅读，更多相关《大数据处理技术概述.ppt（51页珍藏版）》请在金锄头文库上搜索。
1、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 hadoop HDFS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
2、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Google mapreduce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.
3、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) = map(k1,v1) -list
4、(k2,v2) = combine- = reduce(k2,list(v2) -list(v2) (output),单词统计,单词统计 map(String key, String value): / key: document name / value: document contents for each word w in value: EmitIntermediate(w, “1); reduce(String key, Iterator values): / key: a word / values: a list of counts int result = 0; for eac
5、h v in values: 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. m
6、apreduce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） mod R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
7、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H
8、DFS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li
9、nux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 nosqlhbase 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
10、,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: Maste
11、r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ZooKeeper and standbys（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、
12、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(Versioned Values) 一列里时间戳与值是一个有序映射关系 -SortedMap(Timestamp Value) HBase表是一个三维有序的映射表 SortedMap(RowKey，List(SortedMap(Column， List( SortedMap (Timestamp, Value) ) ) rowKey (ASC
13、) + columnLabel(ASC) + Version (DESC) value,行键升序 列族：列名 时间戳 value row=row0， column=anchor:bar， timestamp=1174184619081 row=row0， column=anchor:foo， timestamp=1174184620720 row=row0， column=anchor:foo， timestamp=1174184617161 row=row1， column=anchor:bar， timestamp=1174184619081 row=row1， column=anchor
14、:foo， timestamp=1174184620721 row=row1， column=anchor:foo， timestamp=1174184617167 row=row2， column=anchor:bar， timestamp=1174184619081 row=row2， column=anchor:foo， timestamp=1174184620724 row=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，
15、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,HBase Regions 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HDFS files and blocks
16、组成,每个HDFS files and blocks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user regions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
