Hadoop是由Apache基金會開發(fā)的一個大數(shù)據(jù)分布式系統(tǒng)基礎(chǔ)架構(gòu)，最早版本是2003年原Yahoo!DougCutting根據(jù)Google發(fā)布的學(xué)術(shù)論文研究而來。

用戶可以在不了解分布式底層細(xì)節(jié)的情況下，輕松地在Hadoop上開發(fā)和運行處理海量數(shù)據(jù)的應(yīng)用程序。低成本、高可靠、高擴展、高有效、高容錯等特性讓Hadoop成為最流行的大數(shù)據(jù)分析系統(tǒng)，然而其賴以生存的HDFS和MapReduce組件卻讓其一度陷入困境——批處理的工作方式讓其只適用于離線數(shù)據(jù)處理，在要求實時性的場景下毫無用武之地。

因此，各種基于Hadoop的工具應(yīng)運而生，本次為大家分享Hadoop生態(tài)系統(tǒng)中最常用的13個開源工具，其中包括資源調(diào)度、流計算及各種業(yè)務(wù)針對應(yīng)用場景。首先，我們看資源管理相關(guān)。

資源統(tǒng)一管理/調(diào)度系統(tǒng)

在公司和機構(gòu)中，服務(wù)器往往會因為業(yè)務(wù)邏輯被拆分為多個集群，基于數(shù)據(jù)密集型的處理框架也是不斷涌現(xiàn)，比如支持離線處理的MapReduce、支持在線處理的Storm及Impala、支持迭代計算的Spark及流處理框架S4，它們誕生于不同的實驗室，并各有所長。

為了減少管理成本，提升資源的利用率，一個共同的想法產(chǎn)生——讓這些框架運行在同一個集群上;因此，就有了當(dāng)下眾多的資源統(tǒng)一管理/調(diào)度系統(tǒng)，本次為大家重點介紹ApacheMesos及YARN：

1、ApacheMesos

代碼托管地址：ApacheSVN

Mesos提供了高效、跨分布式應(yīng)用程序和框架的資源隔離和共享，支持Hadoop、MPI、Hypertable、Spark等。

Mesos是Apache孵化器中的一個開源項目，使用ZooKeeper實現(xiàn)容錯復(fù)制，使用LinuxContainers來隔離任務(wù)，支持多種資源計劃分配(內(nèi)存和CPU)。提供Java、Python和C++APIs來開發(fā)新的并行應(yīng)用程序，提供基于Web的用戶界面來提查看集群狀態(tài)。

2、HadoopYARN

代碼托管地址：ApacheSVN

YARN又被稱為MapReduce2.0，借鑒Mesos，YARN提出了資源隔離解決方案Container，但是目前尚未成熟，僅僅提供Java虛擬機內(nèi)存的隔離。

對比MapReduce1.x，YARN架構(gòu)在客戶端上并未做太大的改變，在調(diào)用API及接口上還保持大部分的兼容，然而在YARN中，開發(fā)人員使用ResourceManager、ApplicationMaster與NodeManager代替了原框架中核心的JobTracker和TaskTracker。其中ResourceManager是一個中心的服務(wù)，負(fù)責(zé)調(diào)度、啟動每一個Job所屬的ApplicationMaster，另外還監(jiān)控ApplicationMaster的存在情況;NodeManager負(fù)責(zé)Container狀態(tài)的維護，并向RM保持心跳。ApplicationMaster負(fù)責(zé)一個Job生命周期內(nèi)的所有工作，類似老的框架中JobTracker。

Hadoop上的實時解決方案

前面我們有說過，在互聯(lián)網(wǎng)公司中基于業(yè)務(wù)邏輯需求，企業(yè)往往會采用多種計算框架，比如從事搜索業(yè)務(wù)的公司：網(wǎng)頁索引建立用MapReduce，自然語言處理用Spark等。

3、ClouderaImpala

代碼托管地址：GitHub

Impala是由Cloudera開發(fā)，一個開源的MassivelyParallelProcessing(MPP)查詢引擎。與Hive相同的元數(shù)據(jù)、SQL語法、ODBC驅(qū)動程序和用戶接口(HueBeeswax)，可以直接在HDFS或HBase上提供快速、交互式SQL查詢。Impala是在Dremel的啟發(fā)下開發(fā)的，第一個版本發(fā)布于2012年末。

Impala不再使用緩慢的Hive+MapReduce批處理，而是通過與商用并行關(guān)系數(shù)據(jù)庫中類似的分布式查詢引擎(由QueryPlanner、QueryCoordinator和QueryExecEngine三部分組成)，可以直接從HDFS或者HBase中用SELECT、JOIN和統(tǒng)計函數(shù)查詢數(shù)據(jù)，從而大大降低了延遲。 

4、Spark

代碼托管地址：Apache

Spark是個開源的數(shù)據(jù)分析集群計算框架，最初由加州大學(xué)伯克利分校AMPLab開發(fā)，建立于HDFS之上。Spark與Hadoop一樣，用于構(gòu)建大規(guī)模、低延時的數(shù)據(jù)分析應(yīng)用。Spark采用Scala語言實現(xiàn)，使用Scala作為應(yīng)用框架。

Spark采用基于內(nèi)存的分布式數(shù)據(jù)集，優(yōu)化了迭代式的工作負(fù)載以及交互式查詢。與Hadoop不同的是，Spark和Scala緊密集成，Scala像管理本地collective對象那樣管理分布式數(shù)據(jù)集。Spark支持分布式數(shù)據(jù)集上的迭代式任務(wù)，實際上可以在Hadoop文件系統(tǒng)上與Hadoop一起運行(通過YARN、Mesos等實現(xiàn))。

5、Storm

代碼托管地址：GitHub

Storm是一個分布式的、容錯的實時計算系統(tǒng)，由BackType開發(fā)，后被Twitter捕獲。Storm屬于流處理平臺，多用于實時計算并更新數(shù)據(jù)庫。Storm也可被用于“連續(xù)計算”(continuouscomputation)，對數(shù)據(jù)流做連續(xù)查詢，在計算時就將結(jié)果以流的形式輸出給用戶。它還可被用于“分布式RPC”，以并行的方式運行昂貴的運算。

Hadoop上的其它解決方案

就像前文說，基于業(yè)務(wù)對實時的需求，各個實驗室發(fā)明了Storm、Impala、Spark、Samza等流實時處理工具。而本節(jié)我們將分享的是實驗室基于性能、兼容性、數(shù)據(jù)類型研究的開源解決方案，其中包括Shark、Phoenix、ApacheAccumulo、ApacheDrill、ApacheGiraph、ApacheHama、ApacheTez、ApacheAmbari。

6、Shark

代碼托管地址：GitHub

Shark，代表了“HiveonSpark”，一個專為Spark打造的大規(guī)模數(shù)據(jù)倉庫系統(tǒng)，兼容ApacheHive。無需修改現(xiàn)有的數(shù)據(jù)或者查詢，就可以用100倍的速度執(zhí)行HiveQL。

Shark支持Hive查詢語言、元存儲、序列化格式及自定義函數(shù)，與現(xiàn)有Hive部署無縫集成，是一個更快、更強大的替代方案。

7、Phoenix

代碼托管地址：GitHub

Phoenix是構(gòu)建在ApacheHBase之上的一個SQL中間層，完全使用Java編寫，提供了一個客戶端可嵌入的JDBC驅(qū)動。Phoenix查詢引擎會將SQL查詢轉(zhuǎn)換為一個或多個HBasescan，并編排執(zhí)行以生成標(biāo)準(zhǔn)的JDBC結(jié)果集。直接使用HBaseAPI、協(xié)同處理器與自定義過濾器，對于簡單查詢來說，其性能量級是毫秒，對于百萬級別的行數(shù)來說，其性能量級是秒。Phoenix完全托管在GitHub之上。

Phoenix值得關(guān)注的特性包括：1，嵌入式的JDBC驅(qū)動，實現(xiàn)了大部分的java.sql接口，包括元數(shù)據(jù)API;2，可以通過多個行鍵或是鍵/值單元對列進行建模;3，DDL支持;4，版本化的模式倉庫;5，DML支持;5，通過客戶端的批處理實現(xiàn)的有限的事務(wù)支持;6，緊跟ANSISQL標(biāo)準(zhǔn)。

8、ApacheAccumulo

代碼托管地址：ApacheSVN

ApacheAccumulo是一個可靠的、可伸縮的、高性能、排序分布式的鍵值存儲解決方案，基于單元訪問控制以及可定制的服務(wù)器端處理。使用GoogleBigTable設(shè)計思路，基于ApacheHadoop、Zookeeper和Thrift構(gòu)建。Accumulo最早由NSA開發(fā)，后被捐獻(xiàn)給了Apache基金會。

對比GoogleBigTable，Accumulo主要提升在基于單元的訪問及服務(wù)器端的編程機制，后一處修改讓Accumulo可以在數(shù)據(jù)處理過程中任意點修改鍵值對。

9、ApacheDrill

代碼托管地址：GitHub

本質(zhì)上，ApacheDrill是GoogleDremel的開源實現(xiàn)，本質(zhì)是一個分布式的mpp查詢層，支持SQL及一些用于NoSQL和Hadoop數(shù)據(jù)存儲系統(tǒng)上的語言，將有助于Hadoop用戶實現(xiàn)更快查詢海量數(shù)據(jù)集的目的。當(dāng)下Drill還只能算上一個框架，只包含了Drill愿景中的初始功能。

Drill的目的在于支持更廣泛的數(shù)據(jù)源、數(shù)據(jù)格式及查詢語言，可以通過對PB字節(jié)數(shù)據(jù)的快速掃描(大約幾秒內(nèi))完成相關(guān)分析，將是一個專為互動分析大型數(shù)據(jù)集的分布式系統(tǒng)。

10、ApacheGiraph

代碼托管地址：GitHub

ApacheGiraph是一個可伸縮的分布式迭代圖處理系統(tǒng)，靈感來自BSP(bulksynchronousparallel)和Google的Pregel，與它們區(qū)別于則是是開源、基于Hadoop的架構(gòu)等。

Giraph處理平臺適用于運行大規(guī)模的邏輯計算，比如頁面排行、共享鏈接、基于個性化排行等。Giraph專注于社交圖計算，被Facebook作為其OpenGraph工具的核心，幾分鐘內(nèi)處理數(shù)萬億次用戶及其行為之間的連接。

11、ApacheHama

代碼托管地址：GitHub

ApacheHama是一個建立在Hadoop上基于BSP(BulkSynchronousParallel)的計算框架，模仿了Google的Pregel。用來處理大規(guī)模的科學(xué)計算，特別是矩陣和圖計算。集群環(huán)境中的系統(tǒng)架構(gòu)由BSPMaster/GroomServer(ComputationEngine)、Zookeeper(DistributedLocking)、HDFS/HBase(StorageSystems)這3大塊組成。

12、ApacheTez

代碼托管地址：GitHub

ApacheTez是基于HadoopYarn之上的DAG(有向無環(huán)圖，DirectedAcyclicGraph)計算框架。它把Map/Reduce過程拆分成若干個子過程，同時可以把多個Map/Reduce任務(wù)組合成一個較大的DAG任務(wù)，減少了Map/Reduce之間的文件存儲。同時合理組合其子過程，減少任務(wù)的運行時間。由Hortonworks開發(fā)并提供主要支持。

13、ApacheAmbari

代碼托管地址：ApacheSVN

ApacheAmbari是一個供應(yīng)、管理和監(jiān)視ApacheHadoop集群的開源框架，它提供一個直觀的操作工具和一個健壯的HadoopAPI,可以隱藏復(fù)雜的Hadoop操作，使集群操作大大簡化，首個版本發(fā)布于2012年6月。

ApacheAmbari現(xiàn)在是一個Apache的頂級項目，早在2011年8月，Hortonworks引進Ambari作為ApacheIncubator項目，制定了Hadoop集群極致簡單管理的愿景。在兩年多的開發(fā)社區(qū)顯著成長，從一個小團隊，成長為Hortonworks各種組織的貢獻(xiàn)者。Ambari用戶群一直在穩(wěn)步增長，許多機構(gòu)依靠Ambari在其大型數(shù)據(jù)中心大規(guī)模部署和管理Hadoop集群。

目前ApacheAmbari支持的Hadoop組件包括：HDFS、MapReduce、Hive、HCatalog、HBase、ZooKeeper、Oozie、Pig及Sqoop。

這就是大數(shù)據(jù)分析系統(tǒng)Hadoop的13個開源工具，你知道幾個?