Map-Reduce数据分析之二
1. hadoop家族
（1） Pig
Hadoop客户端
使用类似SQL的面向数据流的语言Pig Latin
Pig Latin可以完成排序，过滤，求和，聚组，关联等操作，可以支持自定义函数
Pig自动把Pig Latin映射为Map-Reduce作业上传到集群运行，减少用户编写Java程序的苦恼
三种运行方式：Grunt shell，脚本方式，嵌入式
（2） Hbase
Google Bigtable的开源实现
列示数据库
可集群化
可以使用shell web api等多种方式访问
适合高速读写（insert）的场景
HQL查询语言（Hbase Query Language）
NoSQL的典型代表产品（not only Sql）
（3） Hive
数据仓库工具，可以把Hadoop下的原始结构化数据变成Hive中的表
支持一种与Sql几乎完全相同的语言HiveQL，除了不支持更新，索引和事务，几乎sql的其他特征都能支持
可以看成是从SQL到Map-Reduce的映射器
提供Shell，JDBC/ODBC ，Thrift，web等接口
（4） Zookeeper
Google chubby的开源实现
用以协调分布式系统上各种服务，例如确认消息是否准确到达，防止单点失效，处理负载均衡等
应用场景：Hbase，实现NameNode自动切换
工作原理：领导者，跟随者以及选举过程
（5） Sqoop
用于在Hadoop和关系型数据库之间的交换数据
通过JDBC接口连入关系数据库
（6） Avro
数据序列化工具，由Hadoop的创始人Doug Cutting主持开发
用于支持大批量数据交换的应用，支持二进制序列化方式，可以便捷，快速的处理大量数据
动态语言友好，Avro提供的机制使动态语言可以方便地处理Avro数据Thrift 接口
（7） ChukWa
架构在Hadoop之上的数据采集与分析框架
主要进行日志采集和分析
通过安装在收集节点的“代理”采集最原始的日志数据，代理将数据发给收集器
收集器定时将数据写入Hadoop集群
指定定时启动的Map-Reduce作业对数据进行加工处理和分析
Hadoop基础管理中心（HICC）最终展示数据
（8） Cassandra
NoSQL，分布式的key-value型数据库，由facebook贡献
与Hbase类似，也是借鉴Google Bigtable 的思想体系
只有顺序写，没有随机写的设计，满足高负荷情形的性能要求
2. Hbase简介
Hbase是一个分布式，面向列的开源数据库，该技术来源于Chang et al所撰写的Google论文“Bigtable：一个结构化数据的分布式存储系统”
就像Bigtable利用了Google文件系统所提供的分布式数据局存储一样，Hbase在Hadoop之上提供了类似于Bigtable的能力
Hbase是Apache的Hadoop项目的子项目
Hbase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库，另一个不同的是Hbase基于列而不是基于行模式
3. Hbase的逻辑模型
以表的形式存放数据表由行与列组成，每个列属于某个列族，由行和列确定的存储单元为元素
每个元素保存了同一份数据的多个版本，由时间戳来标示区分
（1）行健
行健是数据行在表里的唯一标石，并作为检索记录的主键
访问表里的行只有三种方式：通过单个行健访问，给定行健的范围访问，全表扫描
行健可以是最大长度不超过64kb的任意字符串，并按照字典序存储
对于经常要一起读取的行，要对行健值精心设计，以便他们能放在一起存储
（2）列族与列
列表示为<列族>：<限定符>
Hbase在磁盘上按照列族存储数据，这种列示数据库的设计非常适合于数据分析的情形
列族里的元素最好具有相同的读写方式（例如等长的字符串），以提高性能
（3）时间戳
对应每次数据操作的时间，可由系统自动生成，也可由用户显示复制
Hbase支持两种数据版本的回收方式：每个数据单元，只存储指定个数的最新版本；保存指定时间长度的版本（例如7天）
常见的客户端时间查询：“某个时刻起的最新数据”或“给我全部版本的数据”
元素有 行健，列族：限定符，时间戳唯一决定
元素以字节码形式存放，没有类型之分
4. Hbase物理模型
（1） Region和Region服务器
表在行方向上，按照行健范围划分成若干的Region
每个表最初只有一个Region，当记录数增加到超过某个阈值时，开始分裂成两个region
物理上所有数据存放在HDFS，又region服务器提供的region管理
一台物理节点只能跑一个HRegionServer
一个HregionServer可以管理多个region实例
一个region实例包括Hlog日志和存放数据的store
Hmaster作为总控节点
Zookeeper负责调度
（2） Hlog
用于灾难恢复
预写式日志，记录所有更新操作，操作先记录进日志，数据才会写入
（3）-ROOT-和.META.表
Hbase中有两张特殊的Table，-ROOT-和.META.
.META.记录了用户表的region信息，可以有多个region
-ROOT-记录了.META.表的region信息，只有一个region信息
Zookeeper中记录了-ROOT-表的location
（3） Memstore与storefile
一个region由多个store组成，每个store包含一个列族的所有数据
Store包括位于内存的memstore和位于硬盘的的storefile
写操作先写入memstore，当memstore中数据量达到某个阈值，Hregionserver会启动flashicache进程写入storefile，每次写入形成单独的storefile
当storefile文件的数量增长到一定阈值后，系统会进行合并，在合并过程中会进行版本合并和删除工作，形成更大的storefile
当storefile大小超过一定阈值后，会把当前的region分隔为两个，并由Hmaster分配到相应的region服务器，实现负载均衡
客户端检索数据时，现在memstore找，找不到在找storefile
5. Hbase vs Oracle
索引不同造成行为的差异
Hbase适合大量数据同时又有读的情况
Hbase的瓶颈是硬盘传输速度，Oracle的瓶颈是硬盘寻道时间
Hbase很适合寻找按照时间排序的top n的场景
（1） 传统数据库的行式存储
数据存放在数据文件内
数据文件的基本组成单位：块/页
快内结构：块头，数据区
（2） 行标识访问：B树索引
B树索引原理
（3） Bigtable的LSM索引