大数据平台技术框架选型分析

大数据平台框架选型分析需求城市大数据平台，首先是作为一个数据管理平台，核心需求是数据的存和取，然后因为海量数据、多数据类型的信息需要有丰富的数据接入能力和数据标准化处理能力，有了技术能力就需要纵深挖掘附加价值更好的服务，如信息统计、分析挖掘、全文检索等，考虑到面向的客户对象有的是上层的应用集成商，所以要考虑灵便的数据接口服务来支撑

二、平台产品业务流程数据集成数据仓库平台管理决策支持元数据入库数据清洗加工标隹化入库」fl统■分析、分类数据仓库挖城市大数据平台电由socket文定制分析朋务监莒数据接入权限级数据接平台仪表益件导入DE conect上层应用集成webservice外部数据源Apache AmbariHadoop成员,管理和监视Apache Hadoop集群的开源框架LevelDBGoogle顶级大牛开辟的单机版键值数据库，具有非常高的与性能源于SSTable Google,orted StringTableRecordlO源于Google针对游戏开辟的，图效的跨平台序列化库，相比Proto Buffers开消更小，Flat Buffers因为Flat Buffers没有解析过程Google公司开辟的一种数据描述语言，类似于XML能够将结构化数据序列Protocol Buffers化，可用于数据存储、通信协议等方面它不依赖于语言和平台并且可扩展性极强基础设施1997年由麻省理工学院提出，目标是为了解决因特网中的热点（Hot spot）Consistent Hashing问题，初衷和CARP十分类似，基本解决了在P2P环境中最为关键的问题一一如何在动态的网络拓扑中分布存储和路由NettyJBOSS提供的个java开源框架，提供异步的、事件驱动的网络应用程序框架，用以快速开辟图性能、高可靠性的网络服务器和客户端程序布隆过滤器，197年由布隆提出，是一个很长的一进制矢量和一系列随机映射BloomFilter函数，可以用于检索个元素是否在个集合中，优点是空间效率和查询时间都远远超过普通的算法，缺点是有一定的误识别率和删除艰难Nutch开源Java实现的搜索引擎，诞生Hadoop的地方一套信息检索工具包，但并不包含搜索引擎系统，它包含了索引结构、读Lucene与索引工具、相关性工具、排序等功能基于Solr和Zookeeper的分布式搜索，Solr

4.0的核心组件之一，主要SolrCloud思想是使用Zookeeper作为集群的配置信息中心Solr Solr是基于Lucene的搜索搜索引擎开源的（Apache2协议），分布式的,RESTful的,构建在Apache LuceneElasticSearch、.,,・“・,,•一・一./•之上的的搜索引摩一个基于SQL的全文检索引擎可结合MySQL、PostgreSQL做全文检索Sphinx可提供比数据库本身更专业的搜索功能,单一索引可达1亿条记录,1000万条记录情况下的查询速度为

0.x秒（毫秒级）Linkin公司开辟的一个开源分布式实时半结构化数据库，在全文索引的iSenseiDB（苴汇山4^1•壮7八八八”I DHT来川”cm、66本:行■:五壮数据挖掘Mahout Hadoop成员，目标是建立一个可扩展的机器学习库美国国家航空航天局和Rackspace合作研发的，以Apache许可证授权云平台管理的项目，它不是一个软件这个项目由几个主要的组件组合起来完成一些具体的工作，旨在为公共及私有云的建设与管理提供软件的开源项目6个核心项目Nova（计算，Compute）,Swift（对象存储,Object）,OpenStackGlance（镜像，Image）,Keystone（身份，Identity）,Horizon（自laas助门户，Dashboard）,QuantumMelange（网络地址官理），此外还有若干社区项目，如Rackspace（负载均衡）、Rackspace（关系型数据库）应用容器引擎，让开辟者可打包应用及依赖包到一个可移植的容器中，然Docker后发布到Linux机器上，也可实现虚拟化Kubernetes Google开源的容器集群管理系统Imctfy Google开源的Linux容器Dapper Google生产环境下的大规模分布式系统的跟踪系统监控管理Twitter开源的参为Google Dapper而开辟，使用Apache Cassandra做Zipkin为数据存储系统

三、选型思路必要技术组件服务ETL非/关系数据仓储〉大数据处理引擎服务协调分析BI平台监管Xes Areci:城命大载若迭奥雾验患路

四、选型要求

1.需要满足我们平台的几大核心功能需求，子功能不设局限性如不满足全部,需要对未满足的其它核心功能的开放使用服务支持

2.国内外资料及社区尽量丰富，包括组件服务的成熟度流行度较高

3.需要对选型平台自身所包含的核心功能有较为深入的理解，易用其API或者基于源码开辟

4.商业服务性价比高，并有空间脱离第三方商业技术服务

5.一些非功能性需求的条件标准清晰，如承载的集群节点、处理数据量及安全机制等

五、选型需要考虑简单性亲自试用大数据套件这也就意味着安装它，将它连接到你的Hadoop安装，集成你的不同接口（文件、数据库、B2B等等），并最终建模、部署、执行一些大数据作业自己来了解使用大数据套件的容易程度一仅让某个提供商的顾问来为你展示它是如何工作是远远不够的亲自做一个概念验证广泛性是否该大数据套件支持广泛使用的开源标准一不只是Hadoop和它的生态系统，还有通过SOAP和REST web服务的数据集成等等它是否开源，并能根据你的特定问题易于改变或者扩展？是否存在一个含有文档、论坛、博客和交流会的大社区？特性是否支持所有需要的特性？Hadoop的发行版本（如果你已经使用了某一个）？你想要使用的Hadoop生态系统的所有部份？你想要集成的所有接口、技术、产品？请注意过多的特性可能会大大增加复杂性和费用所以请查证你是否真正需要一个非常分量级的解决方案是否你真的需要它的所有特性？陷阱请注意某些陷阱某些大数据套件采用数据驱动的付费方式（“数据税”），也就是说，你得为自己处理的每一个数据行付费因为我们是在谈论大数据，所以这会变得非常昂贵并非所有的大数据套件都会生成本地Apache Hadoop代码，通常要在每一个Hadoop集群的服务器上安装一个私有引擎，而这样就会解除对于软件提供商的独立性还要考虑你使用大数据套件真正想做的事情某些解决方案仅支持将Hadoop用于ETL来填充数据至数据仓库，而其他一些解决方案还提供了诸如后处理、转换或者Hadoop集群上的大数据分析ETL仅是Apache Hadoop和其生态系统的一种使用情形

六、方案分析自建套件hortonworks国内类exadoop TDW+fineBI成本100%开源培训服务3k/人授权支持100K性能单集群最大规模达到台，处理数据量可达百级按需整合功能HDFS和YARN数据管理从各种引擎访问数据根据策稍加载和管理数据身份验证、授权和数据保护大规模配置、管理、监控和运营Hadoop群集与您的数据分析工具集成跨平台配置部署易操图形设计界面，参数配置，易安装复杂，操作需要作性专业培训上手°国外大客户较多应用成熟度文档较多，社区一般，官方社区比较活跃（英文）中文档较少，无相关专业培训较多文社区有1个文档较少，商用服务，无文档/社区支多为英文文档任何技术支持持开源开放开源开放开源开放扩展性支持多操作系统支持多操作系统移植性支持多操作系统支持多操作系统监控监控功能强大Armbri元无优势

1、尾随产品阶段逐步

1、开源强大支持的开源套件

1、国产套件

1、开源中文支持完善整合自定义

2、交流支持方套件

2、配套商业服务支持便

2、基于人数据处

2、自选流行组件，资

3、商业服务较灵理核心，灵活组料丰富合其它组便件来适应不同产品阶段及项目商业成本较图依赖于打包服务半定制套件，而劣势整合周期不可控公司的支持当锄田

七、相关资料https:〃prestodb.io/http:〃www.thinksaas.cn/group/topic/233669/HDPhortonworksA CompleteEnterprise HadoopData PlatformFalconArnbariZooKeeperWebHDFS计划NFSHumsOoz ieSqufKaRa火相“明混TESLmLg-基于的深度定制TDW Hadoop/Hive-TDW-Tencent distributedData Warehouse・腾讯分布式数据仓库，支持百PB级的数据存微口计真,为公司产品提供海量、高效、稳定的大数据平台支撑ffl决策支持.开源工具汇总整理类别名称备注Salesforce公司出品，Apache HBase之上的一个SQL中间层,彻底使用JavaPhoenix编写原叫Tez,下代Hive,Hortonworks主导开辟,运行在YARN上的DAG计算Stinger框架Presto Facebook开源查询引擎Shark Spark上的SQL执行引擎Pig基于Hadoop MapReduce的脚本语言Cloudera Impala参照Google Dremel实现，能运行在HDFS或者HBase上，使用C++开辟Apache Drill参照Google Dremel实现Apache Tajo一个运行在YARN上支持SQL的分布式数据仓库Hive基于Hadoop MapReduce的SQL查询引擎Facebook Puma实时数据流分析Twitter Rainbird分布式实时统计系统，如网站的点击统计流式计算Java开辟的一个通用的、分布式的、可扩展的、分区容错的、可插拔的无Yahoo S4主架构的流式系统Twitter Storm使用Java和Clojure实现建立在Hadoop上基于BSP BulkSynchronous Parallel的计算框架，Apache Hama摹仿了Google的Pregel o迭代计算建立在Hadoop上的可伸缩的分布式迭代图处理系统，灵感来自BSP6hii1kApache Giraphsynchronous parallel）和Google的Pregel迭代的MapReduceHaLoopTwister迭代的MapReduceHadoop MapReduce经典的大数据批处理系统离线计算Berkeley Spark使用Scala语言实现，和MapReduce有较大的竞争关系，性能强于MapReduce基于Hadoop

2.X构建的实时流式处理和分析平台，每秒可以处理超过10DataTorrent亿个实时事件LevelDB Google开源的高效KV编程库，注意它只是个库Facebook开源的,基于Google的LevelDB,但提图了扩展性可以运行在多RocksDB核处理器上下一代KV存储系统，支持strings、integers、floats、lists maps和HyperDexsets等丰富的数据类型日本人Mikio Hirabayashi（平林干雄）开辟的一款DBM数据库，注意它TokyoCabinet只是个库（大名鼎鼎的DBM数据库qdbm就是Mikio Hirabayashi开发的），读写非常快一个分布式键值存储系统，是Amazon Dynamo的一个开源克隆，Voldemort键值存储Linkedln开源Amazon Dynamo亚马逊的KV模式的存储平台，无主架构淘宝出品的图性能、分布式、可扩展、局可靠的KV结构存储系统，专为Tair小文件优化，并提供简单易用的接口（类似Map）,Tair支持Java和C版本的客户端一个可靠的、可伸缩的、图性能的排序分布式的KV存储系统，参照GoogleApache Accumulo使用ANSI C语言编与、支持网络、可基于内存亦可持久化的日志型、单Redis机版KV数据库从2022年3月15日起，Rodis的开辟工作由VMware主持支持海量数据的图性能分布式数据库系统，实现了数千亿条记录、数百OceanBaseTB数据上的跨行跨表事务Amazon SimpleDB一个可大规模伸缩、用Erlang编写的图可用数据存储惠普2022收购Vertica,Vertica是传统的关系型数据库，基于列存储,Vertica同时支持MPP,使用标准的SQL查询，可以和Hadoop/MapReduce进行B股Hadoop成员，Facebook于2022将Cassandra开源，基于0lDHT的Cassandra完全P2P架构HyperTable搜索引擎公司Zvents针对Bigtable的C++开源实现支持ACID事务处理的NoSQL数据库，提供非常好的性能、数据一致性和FoundationDB操作弹性Bigtable在Hadoop中的实现，最初是Powerset公司为了处理自然语言搜HBase索产生的海量数据而开展的项目CouchDB面向文档的数据存储MongoDB文档数据库加州大学伯克利分校的AMPLab基于Hadoop的核心组件开辟出一个更快的Tachyon文件存储版本Tachyon,它从底层重构了Hadoop平台KFS GFS的C++开源版本HDFS GFS在Hadoop中的实现Twitter MesosGoogle Borg的翻版资源管理Hadoop Yarn类似于MesosFacebook开源的日志采集系统，能够从各种日志源上采集日志，存储到一Facebook Scribe个中央存储系统（可以是NFS,分布式文件系统等）上，以便于进行集中统计分析处理，常与Hadoop结合使用，Scribe用于向HDFS中Push日志日志采集系Cloudera FlumeCloudera提供的日志采集系统，支持对日志的实时性采集统日志管理、分析和传输工具，可配合kibana、ElasticSearch组建成日志logstash查询系统kibana为日志提供友好的Web查询页面StormMQZeroMQ很底层的高性能网络库RabbitMQ在AMQP基础上完整的，可复用的企业消息系统Apache ActiveMQ能力强劲的开源消息总线消息系统开源的、高性能的、跨语言分布式消息系统，最早是由Apache孵化的JafkaKafka（由Linkedln捐助给Apache）克隆而来Linkedin于2022年12月份开源的分布式消息系统，它主要用于处理活跃Apache Kafka的流式数据，由Scala与成ZooKeeper分布式锁服务，PoxOS算法的实现，对应Google的Chubby分布式服务Apache AvroHadoop中的RPCRPCFacebook ThriftRPC,支持C++/Java/PHP等众多语言Nagios监视系统运行状态和网络信息的监视系统集群管理UC Berkeley发起的个开源集群监视项目，设计用于测量数以千计的节点Ganglia。