我們先來看看這張圖，這是某公司使用的大數(shù)據(jù)平臺架構(gòu)圖，大部分公司應該都差不多：

從這張大數(shù)據(jù)的整體架構(gòu)圖上看來，大數(shù)據(jù)的核心層應該是：數(shù)據(jù)采集層、數(shù)據(jù)存儲與分析層、數(shù)據(jù)共享層、數(shù)據(jù)應用層，可能叫法有所不同，本質(zhì)上的角色都大同小異。

所以我下面就按這張架構(gòu)圖上的線索，慢慢來剖析一下，大數(shù)據(jù)的核心技術(shù)都包括什么。

一、數(shù)據(jù)采集

數(shù)據(jù)采集的任務就是把數(shù)據(jù)從各種數(shù)據(jù)源中采集和存儲到數(shù)據(jù)存儲上，期間有可能會做一些簡單的清洗。

數(shù)據(jù)源的種類比較多：

• 網(wǎng)站日志：

作為互聯(lián)網(wǎng)行業(yè)，網(wǎng)站日志占的份額最大，網(wǎng)站日志存儲在多臺網(wǎng)站日志服務器上，一般是在每臺網(wǎng)站日志服務器上部署flume agent，實時的收集網(wǎng)站日志并存儲到HDFS上；

• 業(yè)務數(shù)據(jù)庫：

業(yè)務數(shù)據(jù)庫的種類也是多種多樣，有Mysql、Oracle、SqlServer等，這時候，我們迫切的需要一種能從各種數(shù)據(jù)庫中將數(shù)據(jù)同步到HDFS上的工具，Sqoop是一種，但是Sqoop太過繁重，而且不管數(shù)據(jù)量大小，都需要啟動MapReduce來執(zhí)行，而且需要Hadoop集群的每臺機器都能訪問業(yè)務數(shù)據(jù)庫；應對此場景，淘寶開源的DataX，是一個很好的解決方案，有資源的話，可以基于DataX之上做二次開發(fā)，就能非常好的解決。

當然，Flume通過配置與開發(fā)，也可以實時的從數(shù)據(jù)庫中同步數(shù)據(jù)到HDFS。

• 來自于Ftp/Http的數(shù)據(jù)源：

有可能一些合作伙伴提供的數(shù)據(jù)，需要通過Ftp/Http等定時獲取，DataX也可以滿足該需求；

• 其他數(shù)據(jù)源：

比如一些手工錄入的數(shù)據(jù)，只需要提供一個接口或小程序，即可完成；

二、數(shù)據(jù)存儲與分析

毋庸置疑，HDFS是大數(shù)據(jù)環(huán)境下數(shù)據(jù)倉庫/數(shù)據(jù)平臺最完美的數(shù)據(jù)存儲解決方案。

離線數(shù)據(jù)分析與計算，也就是對實時性要求不高的部分，在筆者看來，Hive還是首當其沖的選擇，豐富的數(shù)據(jù)類型、內(nèi)置函數(shù)；壓縮比非常高的ORC文件存儲格式；非常方便的SQL支持，使得Hive在基于結(jié)構(gòu)化數(shù)據(jù)上的統(tǒng)計分析遠遠比MapReduce要高效的多，一句SQL可以完成的需求，開發(fā)MR可能需要上百行代碼；

當然，使用Hadoop框架自然而然也提供了MapReduce接口，如果真的很樂意開發(fā)Java，或者對SQL不熟，那么也可以使用MapReduce來做分析與計算；

Spark是這兩年非?；鸬?#xff0c;經(jīng)過實踐，它的性能的確比MapReduce要好很多，而且和Hive、Yarn結(jié)合的越來越好，因此，必須支持使用Spark和SparkSQL來做分析和計算。因為已經(jīng)有Hadoop Yarn，使用Spark其實是非常容易的，不用單獨部署Spark集群。

三、數(shù)據(jù)共享

這里的數(shù)據(jù)共享，其實指的是前面數(shù)據(jù)分析與計算后的結(jié)果存放的地方，其實就是關(guān)系型數(shù)據(jù)庫和NOSQL數(shù)據(jù)庫；

前面使用Hive、MR、Spark、SparkSQL分析和計算的結(jié)果，還是在HDFS上，但大多業(yè)務和應用不可能直接從HDFS上獲取數(shù)據(jù)，那么就需要一個數(shù)據(jù)共享的地方，使得各業(yè)務和產(chǎn)品能方便的獲取數(shù)據(jù)；和數(shù)據(jù)采集層到HDFS剛好相反，這里需要一個從HDFS將數(shù)據(jù)同步至其他目標數(shù)據(jù)源的工具，同樣，DataX也可以滿足。

另外，一些實時計算的結(jié)果數(shù)據(jù)可能由實時計算模塊直接寫入數(shù)據(jù)共享。

四、數(shù)據(jù)應用

1、業(yè)務產(chǎn)品（CRM、ERP等）

業(yè)務產(chǎn)品所使用的數(shù)據(jù)，已經(jīng)存在于數(shù)據(jù)共享層，直接從數(shù)據(jù)共享層訪問即可；

2、報表（FineReport、業(yè)務報表）

同業(yè)務產(chǎn)品，報表所使用的數(shù)據(jù)，一般也是已經(jīng)統(tǒng)計匯總好的，存放于數(shù)據(jù)共享層；

3、即席查詢

即席查詢的用戶有很多，有可能是數(shù)據(jù)開發(fā)人員、網(wǎng)站和產(chǎn)品運營人員、數(shù)據(jù)分析人員、甚至是部門老大，他們都有即席查詢數(shù)據(jù)的需求；

這種即席查詢通常是現(xiàn)有的報表和數(shù)據(jù)共享層的數(shù)據(jù)并不能滿足他們的需求，需要從數(shù)據(jù)存儲層直接查詢。

即席查詢一般是通過SQL完成，最大的難度在于響應速度上，使用Hive有點慢，可以用SparkSQL，它的響應速度較Hive快很多，而且能很好的與Hive兼容。

當然，你也可以使用Impala，如果不在乎平臺中再多一個框架的話。

4、OLAP

目前，很多的OLAP工具不能很好的支持從HDFS上直接獲取數(shù)據(jù)，都是通過將需要的數(shù)據(jù)同步到關(guān)系型數(shù)據(jù)庫中做OLAP，但如果數(shù)據(jù)量巨大的話，關(guān)系型數(shù)據(jù)庫顯然不行；

這時候，需要做相應的開發(fā)，從HDFS或者HBase中獲取數(shù)據(jù)，完成OLAP的功能；比如：根據(jù)用戶在界面上選擇的不定的維度和指標，通過開發(fā)接口，從HBase中獲取數(shù)據(jù)來展示。

5、其它數(shù)據(jù)接口

這種接口有通用的，有定制的。比如：一個從Redis中獲取用戶屬性的接口是通用的，所有的業(yè)務都可以調(diào)用這個接口來獲取用戶屬性。

五、實時計算

現(xiàn)在業(yè)務對數(shù)據(jù)倉庫實時性的需求越來越多，比如：

• 實時的了解網(wǎng)站的整體流量；
• 實時的獲取一個廣告的曝光和點擊；
• 在海量數(shù)據(jù)下，依靠傳統(tǒng)數(shù)據(jù)庫和傳統(tǒng)實現(xiàn)方法基本完成不了，需要的是一種分布式的、高吞吐量的、延時低的、高可靠的實時計算框架；
• Storm在這塊是比較成熟了，但我選擇Spark Streaming，原因很簡單，不想多引入一個框架到平臺中
• 另外，Spark Streaming比Storm延時性高那么一點點，那對于我們的需要可以忽略

我們目前使用Spark Streaming實現(xiàn)了實時的網(wǎng)站流量統(tǒng)計、實時的廣告效果統(tǒng)計兩塊功能。

做法也很簡單，由Flume在前端日志服務器上收集網(wǎng)站日志和廣告日志，實時的發(fā)送給Spark Streaming，由Spark Streaming完成統(tǒng)計，將數(shù)據(jù)存儲至Redis，業(yè)務通過訪問Redis實時獲取。

六、任務調(diào)度與監(jiān)控

在數(shù)據(jù)倉庫/數(shù)據(jù)平臺中，有各種各樣非常多的程序和任務，比如：數(shù)據(jù)采集任務、數(shù)據(jù)同步任務、數(shù)據(jù)分析任務等；

這些任務除了定時調(diào)度，還存在非常復雜的任務依賴關(guān)系，比如：數(shù)據(jù)分析任務必須等相應的數(shù)據(jù)采集任務完成后才能開始；數(shù)據(jù)同步任務需要等數(shù)據(jù)分析任務完成后才能開始；

這就需要一個非常完善的任務調(diào)度與監(jiān)控系統(tǒng)，它作為數(shù)據(jù)倉庫/數(shù)據(jù)平臺的中樞，負責調(diào)度和監(jiān)控所有任務的分配與運行。

總結(jié)

以上是生活随笔為你收集整理的一张图剖析企业大数据平台的核心架构的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。