大数据项目技术选型.docx
《大数据项目技术选型.docx》由会员分享，可在线阅读，更多相关《大数据项目技术选型.docx（14页珍藏版）》请在冰豆网上搜索。
大数据项目技术选型
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sparkstreaming（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（HadoopDataPlatform）
管理一体化数据接入
FlumeScriptSQLNosqlStreamSearchIn-MemoryOthers
SqoopPigHiveHbaseStormSolrSparkYARN-ReadyApps
NFS--------------------------------------------------------------------------------------------------------
WebHDFSYARN
Falcon--------------------------------------------------------------------------------------------------------
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：
基于存，适合需要多次迭代计算的算法，在迭代处理计算方面比Hadoop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：
HDFSAmbari
Resource：
YARNZookeeper
Access：
HiveOozie
Pipeline:
Falcon
Cluster:
Knox
Hue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.gz
Kafka版本：
kafka_2.11-0.8.2.2.tgz
http:
//kafka.apache.org/082/documentation.html
Spark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-2.0.4-alpha.tar.gz
Hive版本：
apache-hive-1.2.1-bin.tar.gz
Hbase版本：
hbase-1.1.3-bin.tar.gz
Mahout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ApacheHadoop外，Cloudera，Hortonworks，MapR，EMC，IBM，Intel，华为等都提供了自己的商业版本。
版本
容
特点
网址
Cloudera
CDH包括HDFS、YARN、HBase、MapReduce、Hive、Pig、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ApacheHadoop在兼容性，安全性，稳定性上有所增强；ClouderaManager是集群的软件分发及管理监控平台，可以在几个小时部署好一个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。
.cloudera./documentation/archive/cdh/4-x/4-7-1/CDH4-Installation-Guide/cdh4ig_topic_11_4.html
Hortonworks
HDP包括HDFS、YARN、HBase、MapReduce、Hive、Pig、HCatalog、Zookeeper、Oozie、Mahout、Hue、Ambari、Tez和Hive的实时版（Stinger）以及其他开源工具。
集成和测试封装；安装方便；管理和监控服务；数据集成服务；元数据服务；高可用性；每10个节点每年为12500美元。
拥有大量的Hadoop专家，对Hadoop的发展起到了重要作用，拥有广泛的合作伙伴支持，专供Hadoop；对专有代码的依赖低于Cloudera
http:
//hortonworks./
MapR
包括HDFS、HBase、MapReduce、Hive、Mahout、Oozie、Pig、ZooKeeper、Hue和其他开源工具。
还包括直接NFS访问、快照和用于“高可用性”的镜像，有的HBase实现（与ApacheAPI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:
//.mapr./
EMC
包括HDFS、MapReduce、Hive、Pig、HBase、Zookeeper、Sqoop、Flume和其他开源工具。
兼容SQL；完全兼容ODBC/JDBC；交互式查询；数据管理；深度分析
.emc./zh-/index.htm?
fromGlobalSelector
IBM
基础版包括HDFS、HBase、MapReduce、Hive、Mahout、Oozie、Pig、ZooKeeper、Hue和一些其他开源工具，以及IBM安装程序和数据访问工具的基础版本。
企业版增加了复杂的作业管理工具、与主要数据源相互集成的数据访问层和BigSheets（类似于电子表格的界面，用于在集群中操作数据）
在平台管理，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。
.ibm./us-en/
Intel
ApacheHadoopIntel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:
//ark.intel./
华为
FunsionlnsightHadoop
基于ApacheHadoop，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。
.huawei.//
当为公司/部门选取特定发行版时，需要考虑如下因素：
技术细节——应该包括Hadoop版本、包含的组件、涉及所有权的功能组件等。
易于部署——应该有可用的工具包来管理部署、版本更新、补丁等。
易于维护——涉及集群管理、多中心支持、灾难恢复支持等。
成本——包括实现某个特定版本所需要的费用、计费模式和许可证。
企业应用集成支持——包括对Hadoop应用与企业的其他应用进行集成的支持。
选用Cloudera的方案：
Cloudera：
最成型的发行版本，拥有最多的部署案例。
提供强大的部署、管理和监控工具。
Cloudera开发并贡献了可实时处理大数据的Impala项目。
优点：
1.基于Apache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CDH4.1.0patchlevel923.142，表示在原生态ApacheHadoop0.20.2基础上添加了1065个patch。
3.比ApacheHadoop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ApacheHadoop，并应用了最新Bug修复或Feature的patch
6.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：
Hadoop2.6HA搭建
至少四台机器：
hadoop1，hadoop2，hadoop3，hadoop4
NN
DN
ZK
ZKFC
JN
RM
NM（任务管理）
Hadoop1
Y
Y
Y
Hadoop2
Y
Y
Y
Y
Y
Y
Y
Hadoop3
Y
Y
Y
Y
Hadoop4
Y
Y
Y
1.core-site.xml
fs.defaultFS
hdfs:
//zhjy
ha.zookeeper.quorum
hadoop1:
2181,hadoop2:
2181,hadoop3:
2181
hadoop.tmp.dir
/opt/hadoop
2.hdfs-site.xml
dfs.nameservices
zhjy
dfs.ha.namenodes.zhjy
nn1,nn2
dfs.namenode.rpc-address.zhjy.nn1
hadoop1:
8020
dfs.namenode.rpc-address.zhjy.nn2
hadoop2:
8020
dfs.namenode.http-address.zhjy.nn1
hadoop1:
50070
dfs.namenode.http-address.zhjy.nn2
hadoop2:
50070
dfs.namenode.shared.edits.dir
qjournal:
//hadoop2:
8485;hadoop3:
8485;hadoop4:
8485/zhjy
>
dfs.client.failover.proxy.provider.zhjy
org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider
dfs.ha.fencing.methods
sshfence
dfs.ha.fencing.ssh.private-key-files
/root/.ssh/id_dsa
dfs.journalnode.edits.dir
/opt/hadoop/data
dfs.ha.automatic-failover.enabled
true
3.准备zookeeper
a）三台zookeeper：
hadoop1，hadoop2，hadoop3
b）编辑zoo.cfg配置文件
i.修改dataDir=/opt/zookeeper
ii.server.1=hadoop1:
2888:
3888
server.2=hadoop2:
2888:
3888
server.3=hadoop3:
2888:
3888
c）在dataDir目录中创建一个myid的文件，文件容为1，2，3
4.配置hadoop中的slaves
5.启动三个zookeeper：
./zkServer.shstart
6.启动三个JournalNode：
./hadoop-daemon.shstartjournalnode
7.在其中一个namenode上格式化：
hdfsnamenode-format
8.把刚刚格式化之后的元数据拷贝到另外一个namenode上
a）启动刚刚格式化的namenode
b）在没有格式化的namenode上执行：
hdfsnamenode-bootstrapStandby
c）启动第二个namenode
9.在其中一个namenode上初始化zkfc：
hdfszkfc-formatZK
10.停止上面节点：
stop-dfs.sh
全面启动：
start-dfs.sh
升级会员 