《大数据项目技术选型初稿》由会员分享，可在线阅读，更多相关《大数据项目技术选型初稿（16页珍藏版）》请在金锄头文库上搜索。
1、目录结构一、 主流架构选用技术二、 Hadoop版本选型方案三、 选用的技术与其他工具的对比四、 大数据相关的技术选型版本确定五、 市场上的hadoop发行版厂商资料六、 具体操作一、主流架构选用技术：采集层：flume；sqoop存储层：包括文件存储层和数据存储层文件：采用hdfs存储数据：采用hbase，redis等模型层：离线处理：mr/yarn;实时流式处理spark streaming(比storm的优势)分析层：hive管理层：zookeeper（调度；ha）二、 Hadoop版本选型方案：Hadoop提供的经典方案：HDP（Hadoop Data Platform）管理一体化 数
2、据接入Flume Script SQL Nosql Stream Search In-Memory OthersSqoop Pig Hive Hbase Storm Solr Spark YARN-Ready AppsNFS -WebHDFS YARNFalcon - HDFS - 数据管理三、选用的技术与其他工具的对比：选用sqoop的好处：开源，抽取的数据可以直接传至hive，可操作性和可视性高选用Flume的好处：纯Java开发，框架分明，易于开发，可以直接写hdfs且支持对text和sequence压缩选用Spark的好处：基于内存，适合需要多次迭代计算的算法，在迭代处理计算方面比Ha
3、doop快100倍以上，Spark采用一个统一的技术堆栈解决了云计算大数据的所有核心问题安全 操作认证，授权，审计，数据保护 准备，管理，监控Storage：HDFS AmbariResource：YARN ZookeeperAccess：Hive OoziePipeline:FalconCluster:KnoxHue的好处：多应用平台，便捷的操作流程；自动补全；查询结果表格化图像化四、 大数据相关的技术选型版本确定：操作系统：CentOS6.X各个技术版本：（最新，最稳定，bug少）Hadoop版本：hadoop-2.6.4.tar.gz此版本是一个相对最新且比较稳定的版本，基数版本可能不稳
4、定，最好选用偶数版本Zookeeper版本：zookeeper-3.4.8.tar.gz此版本修复了此前的9个问题，最明显的是在关闭zookeeper时会产生的一个停顿问题。Flume 版本：apache-flume-1.6.0-bin.tar.gzKafka版本：kafka_2.11-0.8.2.2.tgzhttp:/kafka.apache.org/082/documentation.htmlSpark版本：spark-1.6.0-bin-hadoop2.6.tgz此版本能支持Hadoop2.6.x以上的版本且相对稳定版Sqoop版本：sqoop-1.4.6.bin_hadoop-2.0.
5、4-alpha.tar.gzHive版本：apache-hive-1.2.1-bin.tar.gzHbase版本：hbase-1.1.3-bin.tar.gzMahout版本：apache-mahout-distribution-0.11.0.tar.gz五、市场上的hadoop发行版厂商资料：版本：除了社区的 Apache Hadoop 外， Cloudera ， Hortonworks ， MapR ， EMC ， IBM ， Intel ， 华为等都提供了自己的商业版本。 版本 内容 特点网址ClouderaCDH包括HDFS、YARN、HBase、MapReduce、Hive、Pig、
6、Zookeeper、Oozie、Mahout、Hue和其他开源工具(包括实时查询引擎Impala)。CDH完全开源，比 Apache Hadoop 在兼容性，安全性，稳定性上有所增强；Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个hadoop集群，并对集群的节点及服务进行实时监控。标价为每年每个节点4000美元。http:/ API完全兼容)，以及MapR管理控制台。1.构建一个 HDFS 的私有替代品，这个替代品比当前的开源版本快三倍，自带快照功能，而且支持无 NameNode 单点故障 (SPOF) ，并且在 API 上和开源版兼容，所以可以考虑
7、将其作为替代方案。不再需要单独的 NameNode 机器，元数据分散在集群中，也类似数据默认存储三份。2.也不再需要用网络附加存储 (NAS) 来协助 NameNode 做元数据备份，提高了机器使用率。3.还有个重要的特点是可以使用 nfs 直接访问 hdfs ，提供了与旧有应用的兼容性。镜像功能也很适合做数据备份，而且支持跨数据中心的镜像，快照功能对于数据的恢复作用明显。4.每年每个节点4000美元。5.在性能方面具备优势。https:/ 平台管理，安全认证，作业调度算法，与 DB2 及 netezza 的集成上做了增强 。兼容性好，同时运行多种Hadoop版本的程序，IBM的服务。http
8、:/ Hadoop Intel 分发版主要是强调其能提供全面的 软硬件解决方案设计 ， 针对硬件具有更好的性能优化 ，以及 提供集群管理工具和安装工具简化了 Hadoop 的安装和配置 ，能够提供项目规划到实施各阶段专业的咨询服务，实际中采购 Intel 版本貌似动力不足。 性能好，最先进入中国市场。http:/ Hadoop基于 Apache Hadoop ，构建 NameNode 、 JobTracker 、 HiveServer 的 HA 功能，进程故障后系统自动 Failover ，无需人工干预，这个也是对 Hadoop 的小修补，远不如 MapR 解决的彻底。http:/ 基于Apa
9、che协议，100%开源。2. 版本管理清晰。比如Cloudera，CDH1，CDH2，CDH3，CDH4等，后面加上补丁版本，如CDH4.1.0 patch level 923.142，表示在原生态Apache Hadoop 0.20.2基础上添加了1065个patch。3. 比Apache Hadoop在兼容性、安全性、稳定性上有增强。第三方发行版通常都经过了大量的测试验证，有众多部署实例，大量的运行到各种生产环境。4. 版本更新快。通常情况，比如CDH每个季度会有一个update，每一年会有一个release。5. 基于稳定版本Apache Hadoop，并应用了最新Bug修复或Feature的patch6. 提供了部署、安装、配置工具，大大提高了集群部署的效率，可以在几个小时内部署好集群。7. 运维简单。提供了管理、监控、诊断、配置修改的工具，管理配置方便，定位问题快速、准确，使运维工作简单，有效。缺点：1. 涉及到厂商锁定的问题。（可以通过技术解决）六、具体操作：Hadoop2.6 HA搭建至少四台机器：ha
