1、基于hadoop的数据仓库技术,目录,Hadoop简介 HDFS (Hadoop Distributed File System) MapReduce Hive,本文的内容主要来自三篇hadoop领域的核心论文 1、HiveA Petabyte Scale Data Warehouse Using Hadoop 2、MapReduce and Parallel DBMSs:Friends or Foes 3、Cheetah:A High Performance,Custom Data Warehouse on Top of MapReduce,历史,2002-2004: Apache Nutc
2、h 2004-2006: Google 发表 GFS 和 MapReduce相关论文 Apache 在Nutch中实现HDFS和MapReduce 2006-2008: Hadoop 项目从Nutch中分离 2008年7月，Hadoop赢得Terabyte Sort Benchmark,Doug Cutting Hadoop项目负责人,Hadoop简介,Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有着高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上。而且它提供高传输率（high throughpu
3、t）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求（requirements）这样可以流的形式访问（streaming access）文件系统中的数据。,Hadoop简介,Hadoop是 Apache 的一个开源软件项目,由Doug Cutting在2004年开始开发。 Hadoop是一个海量数据存储和计算的分布式系统，它由若干个成员组成，主要包括：HDFS、MapReduce、HBase、Hive、Pig 和 ZooKeeper， 其中HDFS是Google的GFS开源版本， HBase 是Google的
4、BigTable开源版本，ZooKeeper是Google的Chubby开源版本。 Hadoop在大量的公司中被使用和研究,Hadoop的体系架构,Hadoop由以下几个部件组成： Hadoop Common: The common utilities that support the other Hadoop subprojects. Avro: A data serialization system that provides dynamic integration with scripting languages. Chukwa: A data collection system for
5、 managing large distributed systems. HBase: A scalable, distributed database that supports structured data storage for large tables. HDFS: A distributed file system that provides high throughput access to application data. Hive: A data warehouse infrastructure that provides data summarization and ad
6、 hoc querying. MapReduce: A software framework for distributed processing of large data sets on compute clusters. Pig: A high-level data-flow language and execution framework for parallel computation. ZooKeeper: A high-performance coordination service for distributed applications.,Hadoop的体系架构,Hadoop
7、-HDFS,HDFS的结构按照GFS设计 A GFS cluster consists of a single master and multiple chunkservers and is accessed by multiple clients,HDFS,Fault-tolerant, 容错性 Run on commodity hardware，在通用的机器上运行 Scalable 可扩缩的,http:/hadoop.apache.org/hdfs/docs/current/hdfs_design.html http:/ 多个datanodes,11,11,HDFS,NameNode 存贮
8、HDFS的元数据(metadata) 管理文件系统的命名空间（namespace） 创建、删除、移动、重命名文件和文件夹 接收从DataNode来的Heartbeat 和 Blockreport DataNode 存贮数据块 执行从Namenode来的文件操作命令 定时向NameNode发送Heartbeat和Blockreport,Heartbeat和Blockreport,Namenode Metadata:,Datanode 1,Datanode 2,Datanode 3,1,1,3,3,2,2,1,3,1,2,2,3,13,13,Data Flow,File Read,13,14,14
9、,Data Flow,File Write,14,MapReduce的原理,编程模型（program model），软件包 Map 把要处理的数据组合成一个个的对（pair） Reduce 把具有相同key的pair聚集在一起，计算一个新的value，从而得到一个新的并输出。,MapReduce的原理,Mapreduce,控制,数据流,一个Jobtracker 多个tasktrackers,MapReduce,Jobtraker (Master) 接收任务（job）的提交 提供任务的监控(monitoring)和控制(control) 把job划分成多个tasks，交给Tasktracker执
10、行，并管理这些tasks的执行 Tasktracker (Worker) 管理单个task的map任务和reduce任务的执行,Word count: file0:hello world file1:hello mapreduce file2:bye bye,Input files,file0,file2,file1,files,files,目录,Hadoop简介 HDFS (Hadoop Distributed File System) MapReduce Hive Hadoop的企业级应用,What is HIVE,数据仓库业务具有多样性、多变性和逻辑复杂性，传统的Parallel DBM
11、Ss只能使用SQL语句，语言表达力不够应付现有的类似google，facebook等的数据仓库需求（若使用UDF或UDA自己定义aggregate，则失去了其强大的优化功能），而自己定制的maper和reducer的代码较为低层比较繁琐且重用性也不好，所以就有了Hive，提供一个类SQL的编程接口，简单又不失灵活性，且基于map-reduce.,What is HIVE,（论文翻译）hive是一个基于hadoop的数据仓库。使用hadoop-hdfs作为数据存储层；提供类似SQL的语言（HQL），通过hadoop-mapreduce完成数据计算；通过HQL语言提供使用者部分传统RDBMS一样的
12、表格查询特性和分布式存储计算特性。 （百科）hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供完整的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。,HIVE架构,1、 操作界面：CLI，Web，Thrift 2、 driver：hive系统将用户操作转化为mapreduce计算的模块（重点） 3、 hadoop：hdfs+mapreduce 4、 metastore：存储元数据,HI
13、VE结合HBase,reduce阶段写入HBase的方式,map-only job写入HBase的方式,HIVE的实现,hive的元数据存储在传统的RDBMS中，现在为mysql中。采用JDO （JPOX）。 原因：访问这些Metadata，我们想要“很低的延时”，而存在hdfs中是无法满足。（元数据对hive是相当重要的，因此一般要求有备份机制 ） 使用：元数据都是在HQL语句编译的时候 ，就被生成一个xml文件（包含此次编译所有需要的元数据信息）存储在hdfs中，然后运行mapreduce时传递给mapper和reducer。（减少后期访问）,HIVE查询的优化过程,GraphWalker
14、遍历（walk）DAG中所有的Node，并检查一个Rule是否满足，在满足的条件下回出发一个对应的Processor。Dispatcher则维护Rule到Processor的映射，并进行Rule的匹配工作。,HIVE查询的简单优化步骤,1、 列裁剪（Column pruning）：只有需要用到的列 才进行输出 2、 谓词下推（Predicate pushdown ）：尽早进行数据过滤 ，减少后续处理的数据量 3、 分区裁剪（Partition pruning）：只读取满足分区条件的文件 4、 map-join：对于join中一些小文件，可以在map阶段进行join操作 5、 join-reor
15、dering：将在reducer中进行join操作时的小table放入内存 ，而大table通过stream方式读取 6、 Group-by优化： 进行局部聚合进行优化（包括hash-based和sort-based），对于skew的key（key的row num和size在reduce时非常不均）可以进行两次map-reduce的方式优化,说明：基本上用于优化的提示（hint）都是一些配置项，map-join除外，需要具体在HQL直接指定。,HIVE的physical plan的生成,根据上一步优化的结果，分解成一些map/reduce操作，并将最终结果（即一些plan的xml文件）写入到hdfs。 以论文的例子加以说明 A. Thusoo, J.S. Sarma, N. Jain, Z. Shao, P. Chakka, N. Zhang, S. Antony, and H. Liu, “Hive A Petabyte Scale Data Warehouse Using Hadoop,” Architecture.,HIVE的physical plan的生成,The End,Thank you k,
