• Apache Log Format • Columnar Storage Format
Hive QL – Join
INSERT OVERWRITE TABLE pv_users SELECT pv.pageid, u.age FROM page_view pv
JOIN user u ON (erid = erid);
• Hive是一个很方便的工具，一般的业务人员 就可以很快上手。
• M/R任务的数量控制着语句的执行时间。 • 如何减少M/R的任务数量？ • 在写HQL时我们能做什么？ • Hive如何把HQL转化为M/R job。 • Hive在转化过程中做了哪些优化。
Hive架构
Metastore
从一个驱动器上读取所有的数据需要很长的时间，写甚至更慢。 如何解决？
磁盘损坏数据丢失怎么办？
如果需要存储计算1000T数据怎么办？
常用RAID技术
RAID类型 RAID0 RAID1 RAID10 RAID5 RAID6
访问速度 很快 很慢 中等 较快 较快
数据可靠性 很低 很高 很高 较高 较（RAID5）高
• Worker：从节点，负责控制计算节点，启动 Executor或Driver。在YARN模式中为 NodeManager，负责计算节点的控制。
• Driver：运行Application的main（）函数并创建 SparkContext。
• Executor：执行器，在worker node上执行任务的组件 、用于启动线程池运行任务。每个Application拥有独立 的一组Executors。
HDFS设计目标
• HDFS以流式数据访问模式存储超大文件，运 行于商用硬件集群上。
• 超大文件 • 流式数据访问
– 一次写入多次读取
• 商用硬件
不适合HDFS的场景
• 低延迟的数据访问 • 大量小文件
– 超过NameNode的处理能力
• 多用户任意写入修改文件
• HDFS为了做到可靠性（reliability）创建了多份数据块（ data blocks）的复制（replicas），并将它们放置在服务器 群的计算节点中（compute nodes），MapReduce就可以在它们 所在的节点上处理这些数据了。
• 能，将数据存储剥离Java Heap。用户可以基 于Tachyon实现RDD或者文件的跨应用共享 ，
• 并提供高容错机制，保证数据的可靠性。
Spark架构
Spark的基本组件。
• ClusterManager：在Standalone模式中即为Master （主节点），控制整个集群，监控Worker。在 YARN模式中为资源管理器。
Hive QL – Join in Map Rey value
pageid userid time
111 <1,1>
111 <1,1>
1 111 9:08:01 2 111 9:08:13
111 <1,2>
111 <1,2>
1 222 9:08:14
– ·MetricsSystem：监控运行时性能指标信息。
– ·SparkConf：负责存储配置信息。
Spark运行逻辑
• 在Spark应用中，整个执行流程在逻辑上会形成 有向无环图（DAG）。
• Action算子触发之后，将所有累积的算子形成 一个有向无环图，然后由调度器调度该图上的 任务进行运算。Spark的调度方式与MapReduce 有所不同。Spark根据RDD之间不同的依赖关系 切分形成不同的阶段（Stage），一个阶段包含 一系列函数执行流水线。
• 执行MapReduce时有两种模式
– 本地模式
– 分布式模式
Client
Metastore
Driver Compiler
Hadoop
Hive编译器
Client
Metastore
Driver Compiler
Hadoop
Spark
Spark生态系统
Spark
Spark是整个BDAS的核心组件，是一个大数据分布式编程框 架，不仅实现了MapReduce 的算子map函数和reduce函数及计算模型，还提供更为丰富 的算子，如filter、join、 groupByKey等。Spark将分布式数据抽象为弹性分布式数据 集（RDD），实现了应用任务调 度、RPC、序列化和压缩，并为运行在其上的上层组件提供 API。其底层采用Scala这种函数式语言书写而成，并且所提 供的API深度借鉴Scala函数式的编程思想，提供与Scala类似 的编程接口。
分而治之（Divide and Conquer）
MapReduce特性
• 自动实现分布式并行计算 • 容错 • 提供状态监控工具 • 模型抽象简洁，程序员易用
MapReduce
它由称为map和reduce的两部分用户程序组成 ，然后利用框架在计算机集群上面根据 需求运行多个程序实例来处理各个子任 务，然后再对结果进行归并。
大数据与分布式计算
HDFS
Hadoop Distributed File System
1990年，一个普通的硬盘驱动器可存储1370 MB的数据并拥有4.4 MB/s的传输速度 ，所以，只需五分钟的时间就可以读取整个磁 盘的数据。
20年过去了，1 TB级别的磁盘驱动器是很正常的，但是数据传输的速 度却在100 MB/s左右。所以它需要花两个半小时以上的时间读取 整个驱动器的数据。
设计目标
假设： 节点失效是常态
理想： 1. 任何一个节点失效， 不影响HDFS服务 2. HDFS可以自动完成副 本的复制
HDFS主要组件的功能
NameNode • 存储元数据
•元数据保存在内存中 • 保存文件,block ，datanode 之间的映射关系
DataNode
• 存储文件内容 •文件内容保存在磁盘 •维护了block id到datanode本 地文件的映射关系
Hive操作符
操作符 TableScanOperator ReduceSinkOperator JoinOperator SelectOperator FileSinkOperator FilterOperator GroupByOperator MapJoinOperator LimitOperator UnionOperator
• 丰富的API用于流数据计算。
GraphX
• GraphX基于BSP模型，在Spark之上封装类似 Pregel的接口，进行大规模同步全局的图
• 计算，尤其是当用户进行多轮迭代时，基于 Spark内存计算的优势尤为明显。
Tachyon
• Tachyon是一个分布式内存文件系统，可以 理解为内存中的HDFS。为了提供更高的性
• 一套SQL算子，这无疑更加丰富了Spark的算子和功能，同 时Spark SQL不断兼容不同的持久化存储（如HDFS、Hive等 ），为其发展奠定广阔的空间。
Spark Streaming
• Spark Streaming通过将流数据按指定时间片 累积为RDD，然后将每个RDD进行批处
• 理，进而实现大规模的流数据处理。其吞吐 量能够超越现有主流流处理框架Storm，并 提供
磁盘利用率 100% 50% 50% （N-1）/N （N-2）/N
HDFS系统架构
什么是HDFS?
• Hadoop Distributed File System
– Hadoop Distributed File System (HDFS) is the primary storage system used by Hadoop
• SparkContext：整个应用的上下文，控制应用的生命周 期。
• RDD：Spark的基本计算单元，一组RDD可形成执行的 有向无环图RDD Graph。
• DAG Scheduler：根据作业（Job）构建基于Stage的DAG ，并提交Stage给TaskScheduler。
• TaskScheduler：将任务（Task）分发给Executor执行。
文件
• 文件切分成块（默认大小64M），以块为单位，每 个块有多个副本存储在不同的机器上，副本数可在 文件生成时指定（默认3）
• NameNode是主节点，存储文件的元数据如文件名， 文件目录结构，文件属性（生成时间,副本数,文件权 限），以及每个文件的块列表以及块所在的 DataNode等等
• DataNode在本地文件系统存储文件块数据，以及块 数据的校验和
• Extensibility
– Pluggable Map-reduce scripts – Pluggable User Defined Functions – Pluggable User Defined Types
• Complex object types: List of Maps
– Pluggable Data Formats
Spark任务处理流程
Spark SQL
• Spark SQL提供在大数据上的SQL查询功能，类似于Shark在 整个生态系统的角色，它们可以统称为SQL on Spark。之前 ，Shark的查询编译和优化器依赖于Hive，使得Shark不得不
• 维护一套Hive分支，而Spark SQL使用Catalyst做查询解析和 优化器，并在底层使用Spark作为执行引擎实现SQL的 Operator。用户可以在Spark上直接书写SQL，相当于为 Spark扩充了
Client Driver Compiler
Hadoop
Hive执行流程
• 操作符(Operator)是Hive的最小处理单元 • 每个操作符处理代表HDFS操作或MR作业 • 编译器把Hive SQL转换成一组操作符