用戶可以在不了解分布式底層細節的情況下，輕松地在Hadoop上開發和運行處理海量數據的應用程序。低成本、高可靠、高擴展、高有效、高容錯等特性讓Hadoop成為最流行的大數據分析系統，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據處理，在要求實時性的場景下毫無用武之地。

 

因此，各種基于Hadoop的工具應運而生，本次為大家分享Hadoop生態系統中最常用的13個開源工具，其中包括資源調度、流計算及各種業務針對應用場景。首先，我們看資源管理相關。

 

資源統一管理/調度系統

 

在公司和機構中，服務器往往會因為業務邏輯被拆分為多個集群，基于數據密集型的處理框架也是不斷涌現，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，一個共同的想法產生——讓這些框架運行在同一個集群上;因此，就有了當下眾多的資源統一管理/調度系統，本次為大家重點介紹ApacheMesos及YARN：

 

 

代碼托管地址：ApacheSVN

 

Mesos提供了高效、跨分布式應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實現容錯復制，使用LinuxContainers來隔離任務，支持多種資源計劃分配(內存和CPU)。提供Java、Python和C++APIs來開發新的并行應用程序，提供基于Web的用戶界面來提查看集群狀態。

 

 

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虛擬機內存的隔離。

 

對比MapReduce1.x，YARN架構在客戶端上并未做太大的改變，在調用API及接口上還保持大部分的兼容，然而在YARN中，開發人員使用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，負責調度、啟動每一個Job所屬的ApplicationMaster，另外還監控ApplicationMaster的存在情況;NodeManager負責Container狀態的維護，并向RM保持心跳。ApplicationMaster負責一個Job生命周期內的所有工作，類似老的框架中JobTracker。

 

Hadoop上的實時解決方案

 

前面我們有說過，在互聯網公司中基于業務邏輯需求，企業往往會采用多種計算框架，比如從事搜索業務的公司：網頁索引建立用MapReduce，自然語言處理用Spark等。

 

 

代碼托管地址：GitHub

 

Impala是由Cloudera開發，一個開源的MassivelyParallelProcessing(MPP)查詢引擎。與Hive相同的元數據、SQL語法、ODBC驅動程序和用戶接口(HueBeeswax)，可以直接在HDFS或HBase上提供快速、交互式SQL查詢。Impala是在Dremel的啟發下開發的，第一個版本發布于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系數據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和統計函數查詢數據，從而大大降低了延遲。

 

 

代碼托管地址：Apache

 

Spark是個開源的數據分析集群計算框架，最初由加州大學伯克利分校AMPLab開發，建立于HDFS之上。Spark與Hadoop一樣，用于構建大規模、低延時的數據分析應用。Spark采用Scala語言實現，使用Scala作為應用框架。

 

Spark采用基于內存的分布式數據集，優化了迭代式的工作負載以及交互式查詢。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據集。Spark支持分布式數據集上的迭代式任務，實際上可以在Hadoop文件系統上與Hadoop一起運行(通過YARN、Mesos等實現)。

 

 

代碼托管地址：GitHub

 

Storm是一個分布式的、容錯的實時計算系統，由BackType開發，后被Twitter捕獲。Storm屬于流處理平臺，多用于實時計算并更新數據庫。Storm也可被用于“連續計算”(continuouscomputation)，對數據流做連續查詢，在計算時就將結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，基于業務對實時的需求，各個實驗室發明了Storm、Impala、Spark、Samza等流實時處理工具。而本節我們將分享的是實驗室基于性能、兼容性、數據類型研究的開源解決方案，其中包括Shark、Phoenix、ApacheAccumulo、ApacheDrill、ApacheGiraph、ApacheHama、ApacheTez、ApacheAmbari。

 

 

代碼托管地址：GitHub

 

Shark，代表了“HiveonSpark”，一個專為Spark打造的大規模數據倉庫系統，兼容ApacheHive。無需修改現有的數據或者查詢，就可以用100倍的速度執行HiveQL。

 

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

 

 

代碼托管地址：GitHub

 

Phoenix是構建在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驅動。Phoenix查詢引擎會將SQL查詢轉換為一個或多個HBasescan，并編排執行以生成標準的JDBC結果集。直接使用HBaseAPI、協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來說，其性能量級是秒。Phoenix完全托管在GitHub之上。

 

Phoenix值得關注的特性包括：1，嵌入式的JDBC驅動，實現了大部分的java.sql接口，包括元數據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的有限的事務支持;6，緊跟ANSISQL標準。

 

 

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器端處理。使用GoogleBigTable設計思路，基于ApacheHadoop、Zookeeper和Thrift構建。Accumulo最早由NSA開發，后被捐獻給了Apache基金會。

 

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

 

 

代碼托管地址：GitHub

 

本質上，ApacheDrill是GoogleDremel的開源實現，本質是一個分布式的mpp查詢層，支持SQL及一些用于NoSQL和Hadoop數據存儲系統上的語言，將有助于Hadoop用戶實現更快查詢海量數據集的目的。當下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據源、數據格式及查詢語言，可以通過對PB字節數據的快速掃描(大約幾秒內)完成相關分析，將是一個專為互動分析大型數據集的分布式系統。

 

 

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，靈感來自BSP(bulksynchronousparallel)和Google的Pregel，與它們區別于則是是開源、基于Hadoop的架構等。

 

Giraph處理平臺適用于運行大規模的邏輯計算，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，幾分鐘內處理數萬億次用戶及其行為之間的連接。

 

 

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。用來處理大規模的科學計算，特別是矩陣和圖計算。集群環境中的系統架構由BSPMaster/GroomServer(ComputationEngine)、Zookeeper(DistributedLocking)、HDFS/HBase(StorageSystems)這3大塊組成。

 

 

代碼托管地址：GitHub

 

ApacheTez是基于HadoopYarn之上的DAG(有向無環圖，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任務組合成一個較大的DAG任務，減少了Map/Reduce之間的文件存儲。同時合理組合其子過程，減少任務的運行時間。由Hortonworks開發并提供主要支持。

 

 

代碼托管地址：ApacheSVN

 

ApacheAmbari是一個供應、管理和監視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,可以隱藏復雜的Hadoop操作，使集群操作大大簡化，首個版本發布于2012年6月。

 

ApacheAmbari現在是一個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。在兩年多的開發社區顯著成長，從一個小團隊，成長為Hortonworks各種組織的貢獻者。Ambari用戶群一直在穩步增長，許多機構依靠Ambari在其大型數據中心大規模部署和管理Hadoop集群。

 

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