Hadoop生态系统的简介.pdfVIP

Hadoop生态系统

Agenda

•Hadoop生态系统概览

•HBase简介

•Hive简介

•Pig简介

•FlumeNG简介

•Sqoop简介

•ZooKeeper简介

•Oozie简介

•Mahout简介

HBase简介

什么是HBase

–HBase是一个分布式的、面向列的开源NoSql数据库。

–HBase使用HadoopHDFS作为其文件存储系统。

为什么使用HBase

–HBase技术可在商业级别的普通x86Server上搭建起大规模数据库集群

–具备水平线性扩展能力;

–强一致性读写能力;

–原子和可分配地切分表，并且在未来版本中极有可能提供可分配地合并表功能。

–有自动容错能力，在遭遇宕机之后，应用可迅速切换。

–可满足实时读写响应，I/O吞吐量大。

–容易使用的JavaAPI。

–方便地运行MapReduce以及可扩展的thrift/rest/avro接口

HBase与关系数据库对比

对比项HBase关系型数据库

数据类型HBase只有bytes类型拥有丰富的数据类型，存储方式

数据操作只有很简单的操作，如，插入，删除等，表跟各种各样的连接操作，函数。

表是分离的，之间没有复杂的关系

数据维护更新操作时，会将原有数据保留，所以它实际上直接修改原数据

是插入了新数据

存储方式基于列存储的，每个列族都有自己的文件，不同基于表结构和行来存储的

的列族是分开的

可扩展性支持随意的扩展，而不需要改变表内原有的数据修改表结构，需要复杂的操作

事务没有复杂的事务支持，只有简单的行级事务ACID保证

索引没有二级索引拥有丰富的索引支持

HBase数据模型基本概念

RowKey:行键

–表的主键：表中的记录按照RowKey排序(按字节码升序)

ColumnFamily：列簇

–Table在水平方向有一个或者多个ColumnFamily组成

–一个ColumnFamily中可以包含任意多个Column

–Column支持动态扩展，无需预先定义Column的数量以及类型

–所有Column均以字节数组存储，用户需要自行进行类型转换。

Timestamp:时间戳

–每次数据操作对应的时间戳：可以看作是数据的版本号

数据模型-网站

RowKey=网站URLz

Site

ColumnFamilymetadata:keyword:body:

RowKeyQualifierValueQualifierValueQualifierValue

asideclass=btm

p_wrapfixp

languagecnChannel3