科多大數據小課堂之大數據分析之技術框架整理。

　　大數據離線部分

　　HDFS

　　1：HDFS的架構部分及工作原理

　　NameNode：負責管理元素據，將信息保存在內存中

　　DataNode：保存數據，以塊的形式保存。啟動后需要定時的向NameNode發送心跳，報告自身存儲的塊信息

　　2：HDFS的上傳過程

　　3：HDFS的下載

　　4：NameNode的元數據安全機制

　　以記日志的形式將每一個操作寫在磁盤的日志文件中，然后借助Secondary NameNode的checkpoint功能將fsImage和日志進行合并。

　　重點：記住checkpoint工作過程

　　5：如果服務器的磁盤壞了，如何挽救數據?

　　配置多個dfs.namenode.name.dir 路徑為本地磁盤路徑和nfs網絡磁盤路徑。

　　6：hdfs集群中，受到拓展瓶頸的是NameNode還是Datanode?

　　是NameNode，因為DataNode不夠可以很方便的水平拓展，而工作的NameNode只有一個，他的存儲能力完全取決于他的內存。

　　但是其實NameNode一般不會成為瓶頸，因為一個塊記錄的元數據信息大小約為150B，如果每一個塊大小為128M的話，那么15G的NameNode內存可以存儲12PB的數據。

　　7：datanode明明已啟動，但是集群中的可用datanode列表中就是沒有，怎么辦?

　　在她的Data目錄下，已經有其他NameNode的標記，這個NameNode不認。

　　8：文件下載到window中，為什么會報錯?

　　默認使用操作系統的內核進行磁盤數據的寫入，也就是需要一個winutil的工具，而默認的安裝包中不提供，所以需要編譯源碼或者設置為使用Java的進行磁盤寫入。

　　9：hadoop的HA(高可用)

　　MapReduce

　　1：MapReduce中，fileinputformat -> map -> shuffle -> reduce的過程

　　2：MapReduce中，job提交的過程

　　3：自定義Javabean作為數據，需要extends writableandCompareble接口。

　　4：自定義outputformat，進行不同方向的處理。

　　5：MapReduce的一些應用場景

　　1、排序并且求 TOPOne 和TOPN

　　2、求某個用戶前幾個月的總流量，并且選擇出流量前幾名的用戶。

　　3、reduce端的join

　　4、map端join

　　5、求共同好友問題

　　hive

　　1：什么是hive?

　　一個將sql轉化為MapReduce程序的、單機版的、數據倉庫工具。通過關系型數據庫(mysql等)來記錄表元數據信息。真正的數據在HDFS中。

　　Hive利用HDFS存儲數據，利用MapReduce查詢分析數據

　　hive2.0版本之后，都是基于Spark處理了。

　　安裝的時候，需要注意jline的版本沖突。

　　2：如何啟動?

　　3：執行的sql的形式

　　hiveshell、 hive -e “sql命令”、 hive -f “一個包含著很多SQL語句的文件”

　　4：hive的創建表操作

　　內部表、外部表 就差連個關鍵字(external 和 location)

　　分區表、分桶表

　　5：hive查詢表

　　join

　　動態分區

　　分組查詢

　　復雜的那個累計報表操作。

　　6：hive自定義函數(UDF)

　　sqoop

　　利用hadoop的map端進行數據的并行導入導出。

　　安裝在HDFS上，配置HDFS的路徑和Hive路徑即可。

　　flume

　　1：agent：sources 、 channel 、 sinks

　　2：sources：exec、spooldir、arvo (加一個攔截器)

　　3：channel：men 、 disk

　　4：sinks：arvo 、HDFS、kafka

　　5：flume安裝在數據源這一邊。

　　6：如何自定義攔截器?

　　class myiterceptor implements Iterceptor

　　//里面有一個靜態的公共內部類。

　　public static class mybuilder implements Iterceptor.Builder

　　7：如何實現flume的多級連接，以及如何實現高可用?

　　大數據實時storm部分

　　storm

　　1 : storm是一個實時的計算框架，只負責計算，不負責存儲。它通過spout的open和nextTuple方法去外部存儲系統(kafka)獲取數據，然后傳送給后續的bolt處理，

　　bolt利用prepare和execute方法處理完成后，繼續往后續的bolt發送，或者根據輸出目錄，把信息寫到指定的外部存儲系統中。

　　2：storm的數據不丟失原理

　　交叉收到的數據做異或元算中間結果不為0的原理。

　　3：設置spout_max_pending (可以限流)

　　4：jstorm的通信機制,每一個：worker都有一個接受線程和輸出線程

　　5：storm的架構分析

　　nimbus、zookeeper、supervisor、worker

　　nimbus：接受任務請求，并且進行任務的分發，最后寫入到zookeeper中。

　　supervisor：接受nimbus的任務調度，然后啟動和管理屬于自己的worker進程,supervisor是可以快速失敗的，不影響任務的執行。

　　我們可以寫一個腳本來監控supervisor的進程，如果不存在了，立馬啟動，就可以了。

　　worker：啟動spoutTask、boltTask等等任務，去執行業務邏輯。

　　6：storm的編程模型

　　topology：由spout和bolt組成的一個流程圖。他描述著本次任務的信息

　　spout：

　　open

　　nexttuple

　　declareOutputFields

　　bolt:

　　prepare

　　execute

　　declareOutputFields

　　6：storm的tuple結構，它里面有兩個數據結構，一個list、一個是map

　　list：記錄著信息

　　map：記錄著每個字段對應的下表，通過找到下邊再去上面的list中找數據。

　　7：storm任務提交的過程

　　kafka

　　1、kafka和jms的區別

　　2、kafka的topic理解

　　topic是邏輯存在的，真正在物理磁盤中的體現是partitioner，一個topic可以對應多個partition，不同的paritition存放在不同的broker中，以提高并發存儲能力。

　　3、partitioner

　　partition是topic信息在屋里存儲中的具體體現，在磁盤中它是一個文件夾，名字是topic名字_partition編號。4、segment

　　每個partition對對應多個segment文件，默認大小是1G，為了快速定位到指定的offset位置。

　　5、kafka為什么這么快

　　1/使用了操作系統使用的pagecache緩存，緩存大，緩存到一定量的數據時，以順序寫入的方 式寫入到磁盤中。

　　因為：磁盤順序寫入的方式非常的快=>600MB/s,而隨機存儲只有100kb/s左右。

　　2/使用操作系統的sendfile技術。在讀取信息發送的時候，不需要經過用戶區，而是在os端直接發送，可以減少很多步驟。

　　6、為什么要多個partitioner7、為什么每個partitioner需要切分為多個segment文件

　　8、kafka的HA

　　對partitioner分區進行備份，利用zookeeper的選舉機制選擇leader。數據的生產存儲和消費讀取都是有leader負責，其他的replicatition只是負責備份而已。

　　9、kafka如何用shell腳本來講一個文件讀寫進去?10、kafka如何用JavaAPI實現生產者和消費者?

　　大數據一站式解決方案：Scala和Spark部分

　　scala回顧

　　1、如何定義變量

　　2、如何定義函數、方法，如何在將函數作為方法的參數傳入進去?

　　3、條件判斷語句，循環控制語句

　　4、集合操作：Array、list、set、tuple、map (注意：可變和不可變的區別)5、樣例類的使用6、trit、抽象類的使用7、主構造器和輔助構造器的使用

　　8、scala的高級特性

　　高階函數：作為值得函數、匿名函數、閉包、柯里化

　　隱式轉換：一個類對象中，如果他沒有摸一個功能，但是我們有想要它實現，可以使用英式轉換的方式。

　　object MyPredef{

　　//定義隱式轉換方法

　　implicit def fileReadToRichFile(file: File)=new RichFile(file)

　　}

　　使用：

　　import MyPredef._9、Actor

　　寫起來像多線程，用起來像socket10、akka

　　ActorSystem.actorOf()創建一個Actor，

　　創建的同時，就是執行Actor中的prestart方法，去初始化一些信息。

　　Spark RDD

　　1、SparkRDD叫做：彈性分布式數據集，其實就是一個類，用來描述：任務的數據從哪里讀取、用那個算進行計算、得到的結果有存放在哪里、RDD之間的依賴關系是款以來還是窄依賴

　　2、RDD有五個特點

　　一系列分區

　　每個算子作用在每個分區上

　　一系列依賴關系

　　最有位置(如果從HDFS上讀取數據)

　　3、RDD的兩種算子Transformation和Action

　　Transformation是懶加載，只是定義了這個算子的任務，該如何做，但是還沒有做。

　　Action是立即執行，當執行到Action時，會觸發DAGSchudle切分stage，切分完成后，有TaskScheduler將任務通過DriverActor發送到executor中執行。

　　4、RDD的幾個復雜的Transformation

　　->combineByKey(x=>x,(a:List[String],b:String) => a :+ b,

　　(m:List[String],n:List[String])=> m ++ n)

　　第一個參數表示分組后的第一個值如何處理，

　　第二個參數表示后續的值和前一個值如何處理，

　　第三個參數表示，map端處理完成后，在reduce端如何對這些list進行處理。

　　->aggregate(“初始量，可以是String也可以是int”)(第一個func，第二個func)

　　初始量作用于沒一個分區，第一個func作用于map端，第二個func作用于reduce端。

　　->reduceByKey(_+_) 作用于map端和reduce端，可以進行局部聚合。

　　其實reduceByKey和aggregateByKey在底層都調用了combineByKey方法來實現響應的功能。

　　->mapPartitions

　　對每一個分區進行操作，直接在里面使用匿名函數即可

　　當然如果邏輯非常復雜也是可以考慮在外面先定義好這個函數之后在傳輸進去。

　　rdd1.mapPartitions((it:Iterator[String]) => {

　　it.toList.map(x => (x,1)).iterator

　　})

　　>mapPartitionsWithIndex

　　首先定義一個函數，當然也可以寫在里面作為匿名函數

　　val func = (index:Int, it:Iterator[Int]) => {

　　it.toList.map(x => ("index:" + index, x)).iterator

　　}

　　rdd1.mapPartitionsWithIndex(func).collect

　　5、RDD自定義Partitioner

　　//自定義分區器，重寫里面的getPartition方法和numPartitions方法。

　　//構造這個對象的時候，就把所有情況的信息傳輸過來，然后在里面進行分類處理。

　　class HostPartition(hostArr:Array[String]) extends Partitioner{

　　//對所有的數據進行分類，每一種類型對應一個int編號。所以使用map比較合適。

　　val map = new mutable.HashMap[String,Int]()

　　for(index

　　map.put(hostArr(index),index)

　　}

　　//重寫getPartition的方法。

　　override def getPartition(key: Any): Int = {

　　map.getOrElse(key.toString,0)

　　}

　　override def numPartitions: Int = hostArr.length

　　}

　　應用：

　　val hostPartition: HostPartition = new HostPartition(hostList)

　　val allPartitionRDD: RDD[(String, (String, Int))] = host_url_count.partitionBy(hostPartition)

　　6、自定義排序規則 ==>定義一個

　　case class Gril(yanzhi:Int,nianling:Int) extends Ordered[Gril] with Serializable{

　　override def compare(that: Gril): Int = {

　　val yanzhiResult: Int = this.yanzhi.compareTo(that.yanzhi)

　　if(yanzhiResult == 0){

　　return this.nianling.compareTo(that.nianling)

　　}

　　return yanzhiResult

　　}

　　}

　　應用：

　　val rdd2: RDD[(String, Int, Int)] = rdd1.sortBy(msg => Gril(msg._2,msg._3))

　　Spark的SQLContext

　　1、Spark整合Hive和HDFS 只需要將Hive的hive-site.xml ; hadoop的core-site.xml和hdfs-site.xml拷貝到Spark的conf目錄下即可。Spark就知道如何使用hive的表，同時也知道去哪個NameNode哪里都數據了。

　　2、DataFrame是什么?

　　是一個分布式數據集，對RDD的封裝。RDD有的方法他基本上都有

　　3、DataFrame如何創建?

　　三種方式：->RDD + case class

　　->RDD + structType

　　->sqlContext.read.format.options(Map())

　　4、DataFrame首先需要注冊成表結構之后才可以使用sqlContext來操作。

　　dF.registerTempTable(“person”)

　　5、使用sqlContext ==> 返回一個DataFrame

　　sqlContext.sql(“select * from person”)

　　6、DataFrame將數據寫入到HDFS或者mysql中

　　val prop = new Properties()

　　prop.put("user", "root")

　　prop.put("password", "815325")

　　//如果數據庫中沒有這個表，那么他也會創建一張表(很強大)

　　resultDF.write.mode("append").jdbc("jdbc:mysql://localhost:3306/bigdata","result",prop)