Hadoop的數據分析平臺怎么搭建

本篇內容介紹了“Hadoop的數據分析平臺怎么搭建”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

企業(yè)發(fā)展到一定規(guī)模都會搭建單獨的BI平臺來做數據分析，即OLAP(聯機分析處理)，一般都是基于數據庫技術來構建，基本都是單機產品。除了業(yè)務數據的相關分析外，互聯網企業(yè)還會對用戶行為進行分析，進一步挖掘潛在價值，這時數據就會膨脹得很厲害，一天的數據量可能會成千萬或上億，對基于數據庫的傳統(tǒng)數據分析平臺的數據存儲和分析計算帶來了很大挑戰(zhàn)。

為了應對隨著數據量的增長、數據處理性能的可擴展性，許多企業(yè)紛紛轉向Hadoop平臺來搭建數據分析平臺。Hadoop平臺具有分布式存儲及并行計算的特性，因此可輕松擴展存儲結點和計算結點，解決數據增長帶來的性能瓶頸。

隨著越來越多的企業(yè)開始使用Hadoop平臺，也為Hadoop平臺引入了許多的技術，如Hive、Spark  SQL、Kafka等，豐富的組件使得用Hadoop構建數據分析平臺代替?zhèn)鹘y(tǒng)數據分析平臺成為可能。

一、數據分析平臺架構原理

從概念上講，我們可以把數據分析平臺分為接入層(Landing)、整合層(Integration)、表現層(Persentation)、語義層(Semantic)、終端用戶應用(End-user  applications)、元數據(Metadata)?；贖adoop和數據庫的分析平臺基本概念和邏輯架構是通用的，只是技術選型的不同：

1. 接入層(Landing)：以和源系統(tǒng)相同的結構暫存原始數據，有時被稱為“貼源層”或ODS;

2. 整合層(Integration)：持久存儲整合后的企業(yè)數據，針對企業(yè)信息實體和業(yè)務事件建模，代表組織的“***真相來源”，有時被稱為“數據倉庫”;

3. 表現層(Presentation)：為滿足最終用戶的需求提供可消費的數據，針對商業(yè)智能和查詢性能建模，有時被稱為“數據集市”;

4. 語義層(Semantic)：提供數據的呈現形式和訪問控制，例如某種報表工具;

5. 終端用戶應用(End-user applications)：使用語義層的工具，將表現層數據最終呈現給用戶，包括儀表板、報表、圖表等多種形式;

6. 元數據(Metadata)：記錄各層數據項的定義(Definitions)、血緣(Genealogy)、處理過程(Processing)。

來自不同數據源的“生”數據(接入層)，和經過中間處理之后得到的整合層、表現層的數據模型，都會存儲在數據湖里備用。

數據湖的實現通常建立在Hadoop生態(tài)上，可能直接存儲在HDFS上，也可能存儲在HBase或Hive上，也有用關系型數據庫作為數據湖存儲的可能性存在。

下圖說明了數據分析平臺的數據處理流程：

數據分析基本都是單獨的系統(tǒng)，會將其他數據源的數據(即外部數據)同步到數據平臺的存儲體系來(即數據湖)，一般數據先進入到接入層，這一層只簡單的將外部數據同步到數據分析平臺，沒有做其他處理，這樣同步出錯后重試即可，有定時同步和流式同步兩種：

• 定時同步即我們設定在指定時間觸發(fā)同步動作;

• 流式同步即外部數據通過Kafka或MQ發(fā)送數據修改通知及內容。

數據分析平臺執(zhí)行對應操作修改數據。

接入層數據需要經過ETL處理步驟才會進入數據倉庫，數據分析人員都是基于數據倉庫的數據來做分析計算，數據倉庫可以看作數據分析的***來源，ETL會將接入層的數據做數據清洗、轉換，再加載到數據倉庫，過濾或處理不合法、不完整的數據，并使用統(tǒng)一的維度來表示數據狀態(tài)。有的系統(tǒng)會在這一層就將數據倉庫構建成數據立方體、將維度信息構建成雪花或星型模式;也有的系統(tǒng)這一層只是統(tǒng)一了所有數據信息，沒有做數據立方體，留在數據集市做。

數據集市是基于數據倉庫數據對業(yè)務關心的信息做計算提取后得到的進一步信息，是業(yè)務人員直接面對的信息，是數據倉庫的進一步計算和深入分析的結果，一般都會構建數據立方體。系統(tǒng)開發(fā)人員一般會開發(fā)頁面來向用戶展示數據集市的數據。

二、基于Hadoop構建數據分析平臺

基于Hadoop構建的數據分析平臺建構理論與數據處理流程與前面講的相同。傳統(tǒng)分析平臺使用數據庫套件構建，這里我們使用Hadoop平臺的組件。

上面這張圖是我們使用到的Hadoop平臺的組件，數據從下到上流動，數據處理流程和上面說的一致。

任務調度負責將數據處理的流程串聯起來，這里我選擇使用的是Oozie，也有很多其它選擇。

1、數據存儲

基于Hadoop的數據湖主要用到了HDFS、Hive和HBase，HDFS是Hadoop平臺的文件存儲系統(tǒng)，我們直接操縱文件是比較復雜的，所以可以使用分布式數據庫Hive或HBase用來做數據湖，存儲接入層、數據倉庫、數據集市的數據。

Hive和HBase各有優(yōu)勢：HBase是一個NoSQL數據庫，隨機查詢性能和可擴展性都比較好;而Hive是一個基于HDFS的數據庫，數據文件都以HDFS文件(夾)形式存放，存儲了表的存儲位置(即在HDFS中的位置)、存儲格式等元數據，Hive支持SQL查詢，可將查詢解析成Map/Reduce執(zhí)行，這對傳統(tǒng)的數據分析平臺開發(fā)人員更友好。

Hive數據格式可選擇文本格式或二進制格式，文本格式有csv、json或自定義分隔，二進制格式有orc或parquet，他們都基于行列式存儲，在查詢時性能更好。同時可選擇分區(qū)(partition)，這樣在查詢時可通過條件過濾進一步減少數據量。接入層一般選擇csv或json等文本格式，也不做分區(qū)，以盡量簡化數據同步。數據倉庫則選擇orc或parquet，以提升數據離線計算性能。

數據集市這塊可以選擇將數據灌回傳統(tǒng)數據庫(RDBMS)，也可以停留在數據分析平臺，使用NoSQL提供數據查詢或用Apache  Kylin來構建數據立方體，提供SQL查詢接口。

2、數據同步

我們通過數據同步功能使得數據到達接入層，使用到了Sqoop和Kafka。數據同步可以分為全量同步和增量同步，對于小表可以采用全量同步，對于大表全量同步是比較耗時的，一般都采用增量同步，將變動同步到數據平臺執(zhí)行，以達到兩邊數據一致的目的。

全量同步使用Sqoop來完成，增量同步如果考慮定時執(zhí)行，也可以用Sqoop來完成?；蛘?，也可以通過Kafka等MQ流式同步數據，前提是外部數據源會將變動發(fā)送到MQ。

3、ETL及離線計算

我們使用Yarn來統(tǒng)一管理和調度計算資源。相較Map/Reduce，Spark SQL及Spark  RDD對開發(fā)人員更友好，基于內存計算效率也更高，所以我們使用Spark on Yarn作為分析平臺的計算選型。

ETL可以通過Spark SQL或Hive SQL來完成，Hive在2.0以后支持存儲過程，使用起來更方便。當然，出于性能考慮Saprk  SQL還是不錯的選擇。

“Hadoop的數據分析平臺怎么搭建”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！