建站
咨詢
售后
建站咨詢
新聞中心
Spark查詢優(yōu)化：提升關(guān)系型數(shù)據(jù)庫性能
成都創(chuàng)新互聯(lián)公司堅持“要么做到，要么別承諾”的工作理念，服務(wù)領(lǐng)域包括：成都網(wǎng)站制作、做網(wǎng)站、企業(yè)官網(wǎng)、英文網(wǎng)站、手機端網(wǎng)站、網(wǎng)站推廣等服務(wù)，滿足客戶于互聯(lián)網(wǎng)時代的萬秀網(wǎng)站設(shè)計、移動媒體設(shè)計的需求，幫助企業(yè)找到有效的互聯(lián)網(wǎng)解決方案。努力成為您成熟可靠的網(wǎng)絡(luò)建設(shè)合作伙伴！
隨著數(shù)據(jù)量的不斷增加，傳統(tǒng)的關(guān)系型數(shù)據(jù)庫在處理海量數(shù)據(jù)時顯得力不從心。而Spark作為一種高速、通用、可擴展、分布式內(nèi)存計算引擎，已成為處理大數(shù)據(jù)和機器學習任務(wù)的首選工具之一。在現(xiàn)實應(yīng)用中，人們經(jīng)常需要將關(guān)系型數(shù)據(jù)庫數(shù)據(jù)導(dǎo)入到Spark中，來進行各種數(shù)據(jù)的分析和處理。但是，因為關(guān)系型數(shù)據(jù)庫和Spark有著不同的特性，所以在這個過程中，我們必須做到優(yōu)化數(shù)據(jù)查詢，以提高Spark的性能。
本文將介紹一些重要的Spark查詢優(yōu)化技巧，以及如何在數(shù)據(jù)導(dǎo)入過程中避免常見的問題，以提高關(guān)系型數(shù)據(jù)庫性能。
一、了解Spark查詢執(zhí)行過程
Spark查詢執(zhí)行過程是很重要的，因為它有助于我們設(shè)計更好的查詢。在Spark中，查詢會被拆分成不同的階段。例如，當我們查詢從一個表中選取一個特定的列時，Spark 會把查詢拆分成兩個階段。之一步是選擇要保留的列，第二步是將所選列返回。因此，我們可以通過選擇要保留的列來改善查詢的性能。
二、避免全表掃描
在一個巨大的表中進行全表掃描會導(dǎo)致大量的I/O操作和內(nèi)存消耗，因此我們需要避免全表掃描。我們可以使用多種方法來改進查詢，如條件查詢、使用索引、分區(qū)表等。
條件查詢：條件查詢是通過使用WHERE子句來限制要返回的結(jié)果行。例如，SELECT * FROM orders WHERE product_id=1234；
使用索引：使用索引可以幫助我們快速定位需要的記錄，而不必掃描整個表。對于常見的查詢條件，如日期范圍或產(chǎn)品代碼，我們可以使用索引來加速查詢。
分區(qū)表：分區(qū)表是在表中分割數(shù)據(jù)的一種方式。這在寬表上特別有用，如日志表、事務(wù)表等。分區(qū)表將數(shù)據(jù)按邏輯分成各個分區(qū)，因此，當我們需要處理數(shù)據(jù)時，只需要處理目標分區(qū)，而不必掃描整個表。此外，Spark還支持動態(tài)分區(qū)，它可以讓您在運行時為表添加新分區(qū)，可幫助您將數(shù)據(jù)加載到目標系統(tǒng)中，而無需預(yù)定義分區(qū)方案。
三、了解數(shù)據(jù)傾斜
在使用Spark處理大規(guī)模數(shù)據(jù)時，我們往往會遇到數(shù)據(jù)傾斜的問題。數(shù)據(jù)傾斜指的是數(shù)據(jù)在加工過程中，某個特定部分的數(shù)據(jù)擾動導(dǎo)致負載不平衡，從而導(dǎo)致一些任務(wù)遠遠耗時比其他任務(wù)長。數(shù)據(jù)傾斜會嚴重影響程序效率。
在Spark中，我們可以通過對數(shù)據(jù)進行分區(qū)來緩解數(shù)據(jù)傾斜。我們可以根據(jù)數(shù)據(jù)分布應(yīng)用不同的分區(qū)策略來解決數(shù)據(jù)傾斜問題，如采用key-range分區(qū)策略、采樣分區(qū)策略等。
四、使用廣播變量
廣播變量是用于將一個較小的只讀變量緩存到每個工作節(jié)點上的一種機制。它能夠跨作業(yè)傳輸信息以改善性能。在Spark中使用廣播變量的過程很簡單，只需要使用sparkContext.broadcast()函數(shù)將需要廣播的變量進行打包，即可在每個處理節(jié)點上存儲它，而不必將變量復(fù)制到每個節(jié)點。
廣播變量的使用場景很多，例如：
1. 在join操作中將小表緩存到內(nèi)存中，以避免運行時占用整個集群。
2. 在MapReduce任務(wù)中，將常量存儲到廣播變量中，以使不同的MapReduce作業(yè)都可以訪問該變量。
3. 在數(shù)據(jù)建模時，將詞典、停用詞保存在廣播變量中，以供注釋器使用。
五、使用數(shù)據(jù)框架
在大多數(shù)情況下，使用數(shù)據(jù)框架（如Spark SQL）比使用RDD更高效。Spark SQL是一個基于Spark的模塊，用于結(jié)構(gòu)化數(shù)據(jù)處理。它提供了一種新的數(shù)據(jù)抽象層，使我們可以快速輕松地查詢數(shù)據(jù)。
Spark SQL 能夠?qū)⒔Y(jié)構(gòu)化數(shù)據(jù)讀入DataFrames或者 Dataset對象中，提供了 SQL 語言的強大功能，如篩選、排序、聚合、Group By 操作等高級操作，同時對于使用Java或Python開發(fā)者進行編程的場景也非常的友好。
六、
查詢優(yōu)化是提高關(guān)系型數(shù)據(jù)庫性能的重要步驟。本文介紹了一些查詢優(yōu)化的技術(shù)，如條件查詢、使用索引、分區(qū)表、廣播變量和使用數(shù)據(jù)框架等內(nèi)容。
在實際應(yīng)用中，我們可以根據(jù)實際情況靈活選用這些技巧，以提高Spark和關(guān)系型數(shù)據(jù)庫的性能和效率。同時，我們還需要不斷深入地學習和理解Spark框架的原理，來更好地優(yōu)化和優(yōu)化查詢性能。
相關(guān)問題拓展閱讀：
- 大數(shù)據(jù)三大核心技術(shù)：拿數(shù)據(jù)、算數(shù)據(jù)、賣數(shù)據(jù)！
- 漫談工業(yè)大數(shù)據(jù)9：開源工業(yè)大數(shù)據(jù)軟件簡介（上）
大數(shù)據(jù)三大核心技術(shù)：拿數(shù)據(jù)、算數(shù)據(jù)、賣數(shù)據(jù)！
大數(shù)據(jù)的由來
對于“大數(shù)據(jù)”（Big data）研究機構(gòu)Gartner給出了這樣的定義?！按髷?shù)據(jù)”是需要新處理模式才能具有更強的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力來適應(yīng)海量、高
增長率
和多樣化的信息資產(chǎn)。
1
麥肯錫
全球研究所給出的定義是：一種規(guī)模大到在獲取、存儲、管理、分析方面大大超出了傳統(tǒng)數(shù)據(jù)庫軟件工具能力范圍的數(shù)據(jù)，具有海量的數(shù)據(jù)規(guī)模、快速的數(shù)據(jù)流轉(zhuǎn)、多樣的數(shù)據(jù)類型和價值密度低四大特征。
大數(shù)據(jù)技術(shù)
的戰(zhàn)略意義不在于掌握龐大的數(shù)據(jù)信息，而在于對這些含有意義的數(shù)據(jù)進行專業(yè)化處理。換而言之，如果把大數(shù)據(jù)比作一種產(chǎn)業(yè)，那么這種產(chǎn)業(yè)實現(xiàn)盈利的關(guān)鍵，在于提高對數(shù)據(jù)的“加工能力”，通過“加工納跡碰”實現(xiàn)數(shù)據(jù)的“增值”。
從技術(shù)上看，大數(shù)據(jù)與云計算的關(guān)系就像一枚硬幣的正反面一樣密不可分。大數(shù)據(jù)必然無法用單臺的計算機進行處理，必須采用分布式架構(gòu)。它的特色在于對海量數(shù)據(jù)進行分布式
數(shù)據(jù)挖掘
。但它必須依托云計算的分布式處理、分布式數(shù)據(jù)庫和云存儲、虛擬化技術(shù)。
大數(shù)據(jù)需要特殊的技術(shù)，以有效地處理大量的容忍經(jīng)過時間內(nèi)的數(shù)據(jù)。適用于大數(shù)據(jù)的技術(shù)，包括大規(guī)模并行處理（MPP）數(shù)據(jù)庫、數(shù)據(jù)挖掘、分布式文件系統(tǒng)、分布式數(shù)據(jù)庫、云計算平臺、互聯(lián)網(wǎng)和可擴展的存儲系統(tǒng)。
最小的基本單位是bit，按順序給出所有單位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。
大數(shù)據(jù)的應(yīng)用領(lǐng)域
大數(shù)據(jù)無處不在，大數(shù)據(jù)應(yīng)用于各個行業(yè)，包括金融、 汽車 、餐飲、電信、能源、體能和 娛樂 等在內(nèi)的 社會 各行各業(yè)都已經(jīng)融入了大數(shù)據(jù)的印跡。
制造業(yè)，利用工業(yè)大數(shù)據(jù)提升制造業(yè)水平，包括產(chǎn)品故障診斷與預(yù)測、分析工藝流程、改進生產(chǎn)工藝，優(yōu)化生產(chǎn)過程能耗、工業(yè)供應(yīng)鏈分析與優(yōu)化、生產(chǎn)計劃與排程。
金融行業(yè)，大數(shù)據(jù)在高頻交易、社交情緒分析和信貸風險分析三大金融創(chuàng)新領(lǐng)域發(fā)揮重大作用。
汽車 行業(yè)，利用大數(shù)據(jù)和
物聯(lián)網(wǎng)技術(shù)
的無人駕州老駛 汽車 ，在不遠的未來將走入我們的日常生活。
互聯(lián)網(wǎng)行業(yè)，借助于大數(shù)據(jù)技術(shù)，可以分析客戶行為，進行商品推薦和針對性廣告投放。
電信行業(yè)，利用大數(shù)據(jù)技術(shù)實現(xiàn)客戶離網(wǎng)分析，及時掌握客戶離網(wǎng)傾向，出臺客戶挽留措施。
能源行業(yè)，隨著智能電網(wǎng)的發(fā)展，電力公司可以掌握海量的用戶用電信息，利用大數(shù)據(jù)技術(shù)分析用戶用電模式，可以改進電網(wǎng)運行，合理設(shè)計電力需求響應(yīng)系統(tǒng)，確保電網(wǎng)運行安全。
物流行業(yè)洞談
，利用大數(shù)據(jù)優(yōu)化物流網(wǎng)絡(luò)，提高物流效率，降低物流成本。
城市管理，可以利用大數(shù)據(jù)實現(xiàn)智能交通、環(huán)保監(jiān)測、城市規(guī)劃和智能安防。
體育 娛樂 ，大數(shù)據(jù)可以幫助我們訓(xùn)練球隊，決定投拍哪種 題財?shù)?影視作品，以及預(yù)測比賽結(jié)果。
安全領(lǐng)域，可以利用大數(shù)據(jù)技術(shù)構(gòu)建起強大的
國家安全
保障體系，企業(yè)可以利用大數(shù)據(jù)抵御網(wǎng)絡(luò)攻擊，警察可以借助大數(shù)據(jù)來預(yù)防犯罪。
個人生活， 大數(shù)據(jù)還可以應(yīng)用于個人生活，利用與每個人相關(guān)聯(lián)的“個人大數(shù)據(jù)”，分析個人生活行為習慣，為其提供更加周到的個性化服務(wù)。
大數(shù)據(jù)的價值，遠遠不止于此，大數(shù)據(jù)對各行各業(yè)的滲透，大大推動了 社會 生產(chǎn)和生活，未來必將產(chǎn)生重大而深遠的影響。
大數(shù)據(jù)方面核心技術(shù)有哪些？
大數(shù)據(jù)技術(shù)的體系龐大且復(fù)雜，基礎(chǔ)的技術(shù)包含數(shù)據(jù)的采集、數(shù)據(jù)預(yù)處理、
分布式存儲
、NoSQL數(shù)據(jù)庫、
數(shù)據(jù)倉庫
、機器學習、并行計算、可視化等各種技術(shù)范疇和不同的技術(shù)層面。首先給出一個通用化的大數(shù)據(jù)處理框架，主要分為下面幾個方面：數(shù)據(jù)采集與預(yù)處理、數(shù)據(jù)存儲、
數(shù)據(jù)清洗
、數(shù)據(jù)查詢分析和數(shù)據(jù)可視化。
數(shù)據(jù)采集與預(yù)處理
對于各種來源的數(shù)據(jù)，包括移動互聯(lián)網(wǎng)數(shù)據(jù)、
社交網(wǎng)絡(luò)
的數(shù)據(jù)等，這些結(jié)構(gòu)化和非結(jié)構(gòu)化的海量數(shù)據(jù)是零散的，也就是所謂的數(shù)據(jù)孤島，此時的這些數(shù)據(jù)并沒有什么意義，數(shù)據(jù)采集就是將這些數(shù)據(jù)寫入數(shù)據(jù)倉庫中，把零散的數(shù)據(jù)整合在一起，對這些數(shù)據(jù)綜合起來進行分析。數(shù)據(jù)采集包括文件日志的采集、數(shù)據(jù)庫日志的采集、
關(guān)系型數(shù)據(jù)庫
的接入和應(yīng)用程序的接入等。在數(shù)據(jù)量比較小的時候，可以寫個定時的腳本將日志寫入存儲系統(tǒng)，但隨著數(shù)據(jù)量的增長，這些方法無法提供數(shù)據(jù)安全保障，并且運維困難，需要更強壯的解決方案。
Flume NG
Flume NG作為實時日志收集系統(tǒng)，支持在日志系統(tǒng)中定制各類數(shù)據(jù)發(fā)送方，用于收集數(shù)據(jù)，同時，對數(shù)據(jù)進行簡單處理，并寫到各種數(shù)據(jù)接收方(比如文本，HDFS，Hbase等)。Flume NG采用的是三層架構(gòu)：Agent層，Collector層和Store層，每一層均可水平拓展。其中Agent包含Source，Channel和 Sink，source用來消費(收集)數(shù)據(jù)源到channel組件中，channel作為中間臨時存儲，保存所有source的組件信息，sink從channel中讀取數(shù)據(jù)，讀取成功之后會刪除channel中的信息。
NDC
Logstash
Logstash是開源的服務(wù)器端數(shù)據(jù)處理管道，能夠同時從多個來源采集數(shù)據(jù)、轉(zhuǎn)換數(shù)據(jù)，然后將數(shù)據(jù)發(fā)送到您最喜歡的 “存儲庫” 中。一般常用的存儲庫是Elasticsearch。Logstash 支持各種輸入選擇，可以在同一時間從眾多常用的數(shù)據(jù)來源捕捉事件，能夠以連續(xù)的流式傳輸方式，輕松地從您的日志、指標、Web 應(yīng)用、數(shù)據(jù)存儲以及各種 AWS 服務(wù)采集數(shù)據(jù)。
Sqoop
Sqoop，用來將關(guān)系型數(shù)據(jù)庫和Hadoop中的數(shù)據(jù)進行相互轉(zhuǎn)移的工具，可以將一個關(guān)系型數(shù)據(jù)庫(例如Mysql、Oracle)中的數(shù)據(jù)導(dǎo)入到Hadoop(例如HDFS、Hive、Hbase)中，也可以將Hadoop(例如HDFS、Hive、Hbase)中的數(shù)據(jù)導(dǎo)入到關(guān)系型數(shù)據(jù)庫(例如Mysql、Oracle)中。Sqoop 啟用了一個 MapReduce 作業(yè)(極其容錯的分布式并行計算)來執(zhí)行任務(wù)。Sqoop 的另一大優(yōu)勢是其傳輸大量結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)的過程是完全自動化的。
流式計算
流式計算是行業(yè)研究的一個熱點，流式計算對多個高吞吐量的數(shù)據(jù)源進行實時的清洗、聚合和分析，可以對存在于
社交網(wǎng)站
、新聞等的數(shù)據(jù)信息流進行快速的處理并反饋，目前大數(shù)據(jù)流分析工具有很多，比如開源的strom，spark streaming等。
Strom集群結(jié)構(gòu)是有一個主節(jié)點(nimbus)和多個工作節(jié)點(supervisor)組成的
主從結(jié)構(gòu)
，主節(jié)點通過配置靜態(tài)指定或者在運行時動態(tài)選舉，nimbus與supervisor都是Storm提供的后臺守護進程，之間的通信是結(jié)合Zookeeper的狀態(tài)變更通知和監(jiān)控通知來處理。nimbus進程的主要職責是管理、協(xié)調(diào)和監(jiān)控集群上運行的topology(包括topology的發(fā)布、任務(wù)指派、事件處理時重新指派任務(wù)等)。supervisor進程等待nimbus分配任務(wù)后生成并監(jiān)控worker(jvm進程)執(zhí)行任務(wù)。supervisor與worker運行在不同的jvm上，如果由supervisor啟動的某個worker因為錯誤異常退出(或被kill掉)，supervisor會嘗試重新生成新的worker進程。
Zookeeper
Zookeeper是一個分布式的，開放源碼的分布式應(yīng)用程序協(xié)調(diào)服務(wù)，提供數(shù)據(jù)同步服務(wù)。它的作用主要有配置管理、名字服務(wù)、分布式鎖和集群管理。配置管理指的是在一個地方修改了配置，那么對這個地方的配置感興趣的所有的都可以獲得變更，省去了手動拷貝配置的繁瑣，還很好的保證了數(shù)據(jù)的可靠和一致性，同時它可以通過名字來獲取資源或者服務(wù)的地址等信息，可以監(jiān)控集群中機器的變化，實現(xiàn)了類似于心跳機制的功能。
數(shù)據(jù)存儲
Hadoop作為一個開源的框架，專為離線和大規(guī)模
數(shù)據(jù)分析
而設(shè)計，HDFS作為其核心的存儲引擎，已被廣泛用于數(shù)據(jù)存儲。
HBase
HBase，是一個分布式的、面向列的開源數(shù)據(jù)庫，可以認為是hdfs的封裝，本質(zhì)是數(shù)據(jù)存儲、NoSQL數(shù)據(jù)庫。HBase是一種Key/Value系統(tǒng)，部署在hdfs上，克服了hdfs在隨機讀寫這個方面的缺點，與hadoop一樣，Hbase目標主要依靠橫向擴展，通過不斷增加廉價的商用服務(wù)器，來增加計算和存儲能力。
Phoenix
Phoenix，相當于一個Java
中間件
，幫助開發(fā)工程師能夠像使用JDBC訪問關(guān)系型數(shù)據(jù)庫一樣訪問NoSQL數(shù)據(jù)庫HBase。
Yarn
Yarn是一種Hadoop資源管理器，可為上層應(yīng)用提供統(tǒng)一的資源管理和調(diào)度，它的引入為集群在利用率、資源統(tǒng)一管理和數(shù)據(jù)共享等方面帶來了巨大好處。Yarn由下面的幾大組件構(gòu)成：一個全局的資源管理器ResourceManager、ResourceManager的每個節(jié)點代理NodeManager、表示每個應(yīng)用的Application以及每一個ApplicationMaster擁有多個Container在NodeManager上運行。
Mesos
Mesos是一款開源的集群管理軟件，支持Hadoop、ElasticSearch、Spark、Storm 和Kafka等應(yīng)用架構(gòu)。
Redis
Redis是一種速度非常快的非關(guān)系數(shù)據(jù)庫，可以存儲鍵與5種不同類型的值之間的映射，可以將存儲在內(nèi)存的鍵值對數(shù)據(jù)持久化到硬盤中，使用復(fù)制特性來擴展性能，還可以使用客戶端分片來擴展寫性能。
Atlas
Atlas是一個位于應(yīng)用程序與MySQL之間的中間件。在后端DB看來，Atlas相當于連接它的客戶端，在前端應(yīng)用看來，Atlas相當于一個DB。Atlas作為服務(wù)端與應(yīng)用程序通訊，它實現(xiàn)了MySQL的客戶端和服務(wù)端協(xié)議，同時作為客戶端與MySQL通訊。它對應(yīng)用程序屏蔽了DB的細節(jié)，同時為了降低MySQL負擔，它還維護了連接池。Atlas啟動后會創(chuàng)建多個線程，其中一個為主線程，其余為工作線程。主線程負責監(jiān)聽所有的客戶端連接請求，工作線程只監(jiān)聽主線程的命令請求。
Kudu
Kudu是圍繞Hadoop生態(tài)圈建立的存儲引擎，Kudu擁有和Hadoop生態(tài)圈共同的設(shè)計理念，它運行在普通的服務(wù)器上、可分布式規(guī)?；渴?、并且滿足工業(yè)界的高可用要求。其設(shè)計理念為fast ytics on fast data。作為一個開源的存儲引擎，可以同時提供低延遲的隨機讀寫和高效的數(shù)據(jù)分析能力。Kudu不但提供了行級的插入、更新、刪除API，同時也提供了接近Parquet性能的批量掃描操作。使用同一份存儲，既可以進行隨機讀寫，也可以滿足數(shù)據(jù)分析的要求。Kudu的應(yīng)用場景很廣泛，比如可以進行實時的數(shù)據(jù)分析，用于數(shù)據(jù)可能會存在變化的時序數(shù)據(jù)應(yīng)用等。
在數(shù)據(jù)存儲過程中，涉及到的數(shù)據(jù)表都是成千上百列，包含各種復(fù)雜的Query，推薦使用列式存儲方法，比如parquent,ORC等對數(shù)據(jù)進行壓縮。Parquet 可以支持靈活的壓縮選項，顯著減少磁盤上的存儲。
數(shù)據(jù)清洗
MapReduce作為Hadoop的查詢引擎，用于大規(guī)模數(shù)據(jù)集的并行計算，”Map(映射)”和”Reduce(歸約)”，是它的主要思想。它極大的方便了編程人員在不會分布式并行編程的情況下，將自己的程序運行在分布式系統(tǒng)中。
隨著業(yè)務(wù)數(shù)據(jù)量的增多，需要進行訓(xùn)練和清洗的數(shù)據(jù)會變得越來越復(fù)雜，這個時候就需要任務(wù)調(diào)度系統(tǒng)，比如oozie或者azkaban，對關(guān)鍵任務(wù)進行調(diào)度和監(jiān)控。
Oozie
Oozie是用于Hadoop平臺的一種工作流調(diào)度引擎，提供了RESTful API接口來接受用戶的提交請求(提交工作流作業(yè))，當提交了workflow后，由工作流引擎負責workflow的執(zhí)行以及狀態(tài)的轉(zhuǎn)換。用戶在HDFS上部署好作業(yè)(MR作業(yè))，然后向Oozie提交Workflow，Oozie以異步方式將作業(yè)(MR作業(yè))提交給Hadoop。這也是為什么當調(diào)用Oozie 的RESTful接口提交作業(yè)之后能立即返回一個JobId的原因，用戶程序不必等待作業(yè)執(zhí)行完成(因為有些大作業(yè)可能會執(zhí)行很久(幾個小時甚至幾天))。Oozie在后臺以異步方式，再將workflow對應(yīng)的Action提交給hadoop執(zhí)行。
Azkaban
Azkaban也是一種工作流的控制引擎，可以用來解決有多個hadoop或者spark等離線計算任務(wù)之間的依賴關(guān)系問題。azkaban主要是由三部分構(gòu)成：Relational Database，Azkaban Web Server和Azkaban Executor Server。azkaban將大多數(shù)的狀態(tài)信息都保存在MySQL中，Azkaban Web Server提供了Web UI，是azkaban主要的管理者，包括project的管理、認證、調(diào)度以及對工作流執(zhí)行過程中的監(jiān)控等;Azkaban Executor Server用來調(diào)度工作流和任務(wù)，記錄工作流或者任務(wù)的日志。
流計算任務(wù)的處理平臺Sloth，是網(wǎng)易首個自研流計算平臺，旨在解決公司內(nèi)各產(chǎn)品日益增長的流計算需求。作為一個計算服務(wù)平臺，其特點是易用、實時、可靠，為用戶節(jié)省技術(shù)方面(開發(fā)、運維)的投入，幫助用戶專注于解決產(chǎn)品本身的流計算需求
數(shù)據(jù)查詢分析
Hive
Hive的核心工作就是把SQL語句翻譯成MR程序，可以將結(jié)構(gòu)化的數(shù)據(jù)映射為一張數(shù)據(jù)庫表，并提供 HQL(Hive SQL)查詢功能。Hive本身不存儲和計算數(shù)據(jù)，它完全依賴于HDFS和MapReduce?？梢詫ive理解為一個客戶端工具，將SQL操作轉(zhuǎn)換為相應(yīng)的MapReduce jobs，然后在hadoop上面運行。Hive支持標準的SQL語法，免去了用戶編寫MapReduce程序的過程，它的出現(xiàn)可以讓那些精通SQL技能、但是不熟悉MapReduce 、編程能力較弱與不擅長Java語言的用戶能夠在HDFS大規(guī)模數(shù)據(jù)集上很方便地利用SQL 語言查詢、匯總、分析數(shù)據(jù)。
Hive是為大數(shù)據(jù)批量處理而生的，Hive的出現(xiàn)解決了傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(MySql、Oracle)在大數(shù)據(jù)處理上的瓶頸 。Hive 將執(zhí)行計劃分成map->shuffle->reduce->map->shuffle->reduce…的模型。如果一個Query會被編譯成多輪MapReduce，則會有更多的寫中間結(jié)果。由于MapReduce執(zhí)行框架本身的特點，過多的中間過程會增加整個Query的執(zhí)行時間。在Hive的運行過程中，用戶只需要創(chuàng)建表，導(dǎo)入數(shù)據(jù)，編寫SQL分析語句即可。剩下的過程由Hive框架自動的完成。
Impala
Impala是對Hive的一個補充，可以實現(xiàn)高效的SQL查詢。使用Impala來實現(xiàn)SQL on Hadoop，用來進行大數(shù)據(jù)實時查詢分析。通過熟悉的傳統(tǒng)關(guān)系型數(shù)據(jù)庫的SQL風格來操作大數(shù)據(jù)，同時數(shù)據(jù)也是可以存儲到HDFS和HBase中的。Impala沒有再使用緩慢的Hive+MapReduce批處理，而是通過使用與商用并行關(guān)系數(shù)據(jù)庫中類似的分布式查詢引擎(由Query Planner、Query Coordinator和Query Exec Engine三部分組成)，可以直接從HDFS或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。Impala將整個查詢分成一執(zhí)行計劃樹，而不是一連串的MapReduce任務(wù)，相比Hive沒了MapReduce啟動時間。
Hive 適合于長時間的批處理查詢分析，而Impala適合于實時交互式SQL查詢，Impala給數(shù)據(jù)人員提供了快速實驗，驗證想法的大數(shù)據(jù)分析工具，可以先使用Hive進行數(shù)據(jù)轉(zhuǎn)換處理，之后使用Impala在Hive處理好后的數(shù)據(jù)集上進行快速的數(shù)據(jù)分析?？偟膩碚f：Impala把執(zhí)行計劃表現(xiàn)為一棵完整的執(zhí)行計劃樹，可以更自然地分發(fā)執(zhí)行計劃到各個Impalad執(zhí)行查詢，而不用像Hive那樣把它組合成管道型的map->reduce模式，以此保證Impala有更好的并發(fā)性和避免不必要的中間sort與shuffle。但是Impala不支持UDF，能處理的問題有一定的限制。
Spark
Spark擁有Hadoop MapReduce所具有的特點，它將Job中間輸出結(jié)果保存在內(nèi)存中，從而不需要讀取HDFS。Spark 啟用了內(nèi)存分布數(shù)據(jù)集，除了能夠提供交互式查詢外，它還可以優(yōu)化迭代工作負載。Spark 是在 Scala 語言中實現(xiàn)的，它將 Scala 用作其應(yīng)用程序框架。與 Hadoop 不同，Spark 和 Scala 能夠緊密集成，其中的 Scala 可以像操作本地對象一樣輕松地操作分布式數(shù)據(jù)集。
Nutch
Nutch 是一個開源Java 實現(xiàn)的搜索引擎。它提供了我們運行自己的搜索引擎所需的全部工具，包括全文搜索和Web爬蟲。
Solr
Solr用Java編寫、運行在Servlet容器(如Apache Tomcat或Jetty)的一個獨立的企業(yè)級搜索應(yīng)用的全文搜索服務(wù)器。它對外提供類似于Web-service的API接口，用戶可以通過http請求，向搜索引擎服務(wù)器提交一定格式的XML文件，生成索引;也可以通過Http Get操作提出查找請求，并得到XML格式的返回結(jié)果。
Elasticsearch
Elasticsearch是一個開源的全文搜索引擎，基于Lucene的搜索服務(wù)器，可以快速的儲存、搜索和分析海量的數(shù)據(jù)。設(shè)計用于云計算中，能夠達到實時搜索，穩(wěn)定，可靠，快速，安裝使用方便。
還涉及到一些機器學習語言，比如，Mahout主要目標是創(chuàng)建一些可伸縮的機器學習算法，供開發(fā)人員在Apache的許可下免費使用;深度學習框架Caffe以及使用數(shù)據(jù)流圖進行數(shù)值計算的開源軟件庫TensorFlow等，常用的機器學習算法比如，貝葉斯、邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、協(xié)同過濾等。
數(shù)據(jù)可視化
對接一些BI平臺，將分析得到的數(shù)據(jù)進行可視化，用于指導(dǎo)決策服務(wù)。主流的BI平臺比如，國外的敏捷BI Tableau、Qlikview、PowrerBI等，國內(nèi)的SmallBI和新興的網(wǎng)易有數(shù)等。
在上面的每一個階段，保障數(shù)據(jù)的安全是不可忽視的問題。
基于網(wǎng)絡(luò)身份認證的協(xié)議Kerberos，用來在非安全網(wǎng)絡(luò)中，對個人通信以安全的手段進行身份認證，它允許某實體在非安全網(wǎng)絡(luò)環(huán)境下通信，向另一個實體以一種安全的方式證明自己的身份。
控制權(quán)限的ranger是一個Hadoop集群權(quán)限框架，提供操作、監(jiān)控、管理復(fù)雜的數(shù)據(jù)權(quán)限，它提供一個集中的管理機制，管理基于yarn的Hadoop生態(tài)圈的所有數(shù)據(jù)權(quán)限。可以對Hadoop生態(tài)的組件如Hive，Hbase進行細粒度的數(shù)據(jù)訪問控制。通過操作Ranger控制臺，管理員可以輕松的通過配置策略來控制用戶訪問HDFS文件夾、HDFS文件、數(shù)據(jù)庫、表、字段權(quán)限。這些策略可以為不同的用戶和組來設(shè)置，同時權(quán)限可與hadoop無縫對接。
簡單說有三大核心技術(shù)：拿數(shù)據(jù)，算數(shù)據(jù)，賣數(shù)據(jù)。
漫談工業(yè)大數(shù)據(jù)9：開源工業(yè)大數(shù)據(jù)軟件簡介（上）
今天真是一個美好的時代，有無數(shù)的開源系統(tǒng)可以為我們提供服務(wù)，現(xiàn)在有許多開發(fā)軟件可以用到工業(yè)大數(shù)據(jù)中，當然很多系統(tǒng)還不成熟，應(yīng)用到工業(yè)中還需要小心，并且需要開發(fā)人員對其進行一定的優(yōu)化和調(diào)整。下面就簡單介紹一些開源的大數(shù)據(jù)工具軟件，看看有哪些能夠應(yīng)用到工業(yè)大數(shù)據(jù)領(lǐng)域。
下面這張圖是我根據(jù)網(wǎng)上流傳的一張開源大數(shù)據(jù)軟件分類圖整理的：
我們可以把開源大數(shù)據(jù)軟件分成幾類，有一些可以逐步應(yīng)用到工業(yè)大數(shù)據(jù)領(lǐng)域，下面就一一介紹一下這些軟件。（以下系統(tǒng)介紹大都來源于網(wǎng)絡(luò)）
1、數(shù)據(jù)存儲類
（1）關(guān)系數(shù)據(jù)庫MySQL
這個就不用太多介紹了吧，關(guān)系型數(shù)據(jù)庫領(lǐng)域應(yīng)用最廣泛的開源軟件，目前屬于 Oracle 旗下產(chǎn)品。
（2）文件數(shù)據(jù)庫Hadoop
Hadoop是大數(shù)據(jù)時代的明星產(chǎn)品，它更大的成就在于實現(xiàn)了一個分布式文件系統(tǒng)（Hadoop Distributed FileSystem），簡稱HDFS。HDFS有高容錯性的特點，并且設(shè)計用來部署在低廉的硬件上，而且它提供高吞吐量來訪問應(yīng)用程序的數(shù)據(jù)，適合那些有著超大數(shù)據(jù)集的應(yīng)用程序。
Hadoop可以在工業(yè)大數(shù)據(jù)應(yīng)用中用來作為底層的基礎(chǔ)數(shù)據(jù)庫，由于它采用了分布式部署的方式，如果是私有云部署，適用于大型企業(yè)集團。如果是公有云的話，可以用來存儲文檔、視頻、圖像等資料。
（3）列數(shù)據(jù)庫Hbase
HBase是一個分布式的、面向列的開源數(shù)據(jù)庫，HBase是Apache的Hadoop項目的子項目。HBase不同于一般的關(guān)系數(shù)據(jù)庫，它是一個適合于非結(jié)構(gòu)化數(shù)據(jù)存儲的數(shù)據(jù)庫。另一個不同的是HBase基于列的而不是基于行的模式。
基于Hbase開發(fā)的OpenTSDB，可以存儲所有的時序（無須采樣）來構(gòu)建一個分布式、可伸縮的時間序列數(shù)據(jù)庫。它支持秒級數(shù)據(jù)采集所有metrics，支持永久存儲，可以做容量規(guī)劃，并很容易的接入到現(xiàn)有的報警系統(tǒng)里。
這樣的話，它就可以替代在工業(yè)領(lǐng)域用得最多的實時數(shù)據(jù)庫。
（4）文檔數(shù)據(jù)庫MongoDB
MongoDB是一個介于關(guān)系數(shù)據(jù)庫和非關(guān)系數(shù)據(jù)庫之間的產(chǎn)品，是非關(guān)系數(shù)據(jù)庫當中功能最豐富，最像關(guān)系數(shù)據(jù)庫的。他支持的數(shù)據(jù)結(jié)構(gòu)非常松散，是類似json的bson格式，因此可以存儲比較復(fù)雜的數(shù)據(jù)類型。Mongo更大的特點是他支持的查詢語言非常強大，其語法有點類似于面向?qū)ο蟮牟樵冋Z言，幾乎可以實現(xiàn)類似關(guān)系數(shù)據(jù)庫單表查詢的絕大部分功能，而且還支持對信悶鏈數(shù)據(jù)建立索引。
MongoDB適合于存儲工業(yè)大數(shù)據(jù)中的各類文檔，包括各類圖紙、文檔等。
（5）圖數(shù)據(jù)庫Neo4j/OrientDB
圖數(shù)據(jù)庫不是存放圖片的，是基于圖的形式構(gòu)建的數(shù)據(jù)系統(tǒng)。
Neo4j是一個高性能的,NOSQL圖形數(shù)據(jù)庫，它將結(jié)構(gòu)化數(shù)據(jù)存儲在網(wǎng)絡(luò)上而不是表中。它是一個嵌入式的、基于磁盤的、具備完全的事務(wù)特性的Java持久化引擎，但是它將結(jié)構(gòu)化數(shù)據(jù)存儲在網(wǎng)絡(luò)(從數(shù)學角度叫做圖)上而不是表中。Neo4j也可以被看作是一個高性能的圖引擎，該引擎具有成熟數(shù)據(jù)庫的所有特性。程序員工作在一個面向?qū)ο蟮?、靈活的網(wǎng)絡(luò)結(jié)構(gòu)下而不是嚴格、靜態(tài)的表中——但是他們可以享受到具備完全的事務(wù)特性、
企業(yè)級
的數(shù)據(jù)庫的所有好處。
OrientDB是兼具文檔數(shù)據(jù)庫的靈活性和圖形數(shù)據(jù)庫管理 鏈接 能力的可深罩嫌層次擴展的文檔-圖形數(shù)據(jù)庫管理系統(tǒng)?？蛇x無模式、全模式或混合模式下。支持許多高級特性，諸如ACID事務(wù)、快速索引，原生和SQL查詢功能?？梢設(shè)N格式導(dǎo)入、導(dǎo)出文檔。若不執(zhí)行昂貴的JOIN操作的話，如同關(guān)系數(shù)據(jù)庫可在幾毫秒內(nèi)可檢索數(shù)以百記的鏈接文檔圖。
這些數(shù)據(jù)庫都可以用來存儲非結(jié)構(gòu)化數(shù)據(jù)。
2、數(shù)據(jù)分析類
（1）批處理MapReduce/Spark
MapReduce是一種編程模型，用于大規(guī)模數(shù)據(jù)集（大于1TB）的并行運算。概念”Map（映射）”和”Reduce（歸約）”，是它們的主要思想，都滑孫是從函數(shù)式編程語言里借來的，還有從矢量編程語言里借來的特性。它極大地方便了編程人員在不會分布式并行編程的情況下，將自己的程序運行在分布式系統(tǒng)上。 當前的軟件實現(xiàn)是指定一個Map（映射）函數(shù)，用來把一組鍵值對映射成一組新的鍵值對，指定并發(fā)的Reduce（歸約）函數(shù)，用來保證所有映射的鍵值對中的每一個共享相同的鍵組。
Apache Spark 是專為大規(guī)模數(shù)據(jù)處理而設(shè)計的快速通用的計算引擎。Spark 是一種與 Hadoop 相似的開源集群計算環(huán)境，但是兩者之間還存在一些不同之處，這些有用的不同之處使 Spark 在某些工作負載方面表現(xiàn)得更加優(yōu)越，換句話說，Spark 啟用了內(nèi)存分布數(shù)據(jù)集，除了能夠提供交互式查詢外，它還可以優(yōu)化迭代工作負載。盡管創(chuàng)建 Spark 是為了支持分布式數(shù)據(jù)集上的迭代作業(yè)，但是實際上它是對 Hadoop 的補充，可以在 Hadoop 文件系統(tǒng)中并行運行。
這些大數(shù)據(jù)的明星產(chǎn)品可以用來做工業(yè)大數(shù)據(jù)的處理。
（2）流處理Storm
Storm是一個開源的分布式實時計算系統(tǒng)，可以簡單、可靠的處理大量的數(shù)據(jù)流。Storm有很多使用場景：如實時分析，在線機器學習，持續(xù)計算，分布式RPC，ETL等等。Storm支持水平擴展，具有高容錯性，保證每個消息都會得到處理，而且處理速度很快（在一個小集群中，每個結(jié)點每秒可以處理數(shù)以百萬計的消息）。Storm的部署和運維都很便捷，而且更為重要的是可以使用任意編程語言來開發(fā)應(yīng)用。
（3）圖處理Giraph
Giraph是什么？Giraph是Apache基金會開源項目之一，被定義為迭代式圖處理系統(tǒng)。他架構(gòu)在Hadoop之上，提供了圖處理接口，專門處理大數(shù)據(jù)的圖問題。
Giraph的存在很有必要，現(xiàn)在的大數(shù)據(jù)的圖問題又很多，例如表達人與人之間的關(guān)系的有社交網(wǎng)絡(luò)，搜索引擎需要經(jīng)常計算網(wǎng)頁與網(wǎng)頁之間的關(guān)系，而map-reduce接口不太適合實現(xiàn)圖算法。
Giraph主要用于分析用戶或者內(nèi)容之間的聯(lián)系或重要性。
（4）并行計算MPI/OpenCL
OpenCL（全稱Open Computing Language，開放運算語言）是之一個面向
異構(gòu)系統(tǒng)
通用目的并行編程的開放式、免費標準，也是一個統(tǒng)一的編程環(huán)境，便于軟件開發(fā)人員為高性能計算
服務(wù)器
、桌面計算系統(tǒng)、手持設(shè)備編寫高效輕便的代碼，而且廣泛適用于多核心處理器(CPU)、圖形處理器(GPU)、Cell類型架構(gòu)以及數(shù)字信號處理器(DSP)等其他并行處理器，在 游戲 、 娛樂 、科研、醫(yī)療等各種領(lǐng)域都有廣闊的發(fā)展前景。
（5）分析框架Hive
Hive是基于Hadoop的一個數(shù)據(jù)倉庫工具，可以將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫表，并提供簡單的sql查詢功能，可以將sql語句轉(zhuǎn)換為MapReduce任務(wù)進行運行。 其優(yōu)點是學習成本低，可以通過類SQL語句快速實現(xiàn)簡單的MapReduce統(tǒng)計，不必開發(fā)專門的MapReduce應(yīng)用，十分適合數(shù)據(jù)倉庫的統(tǒng)計分析。
（6）分析框架Pig
Apache Pig 是apache平臺下的一個免費開源項目，Pig為大型數(shù)據(jù)集的處理提供了更高層次的抽象，很多時候數(shù)據(jù)的處理需要多個MapReduce過程才能實現(xiàn)，使得數(shù)據(jù)處理過程與該模式匹配可能很困難。有了Pig就能夠使用更豐富的數(shù)據(jù)結(jié)構(gòu)。
Pig LatinPig Latin 是一個相對簡單的語言，一條語句 就是一個操作，與數(shù)據(jù)庫的表類似，可以在關(guān)系數(shù)據(jù)庫中找到它（其中，元組代表行，并且每個元組都由字段組成）。
spark查詢關(guān)系型數(shù)據(jù)庫優(yōu)化的介紹就聊到這里吧，感謝你花時間閱讀本站內(nèi)容，更多關(guān)于spark查詢關(guān)系型數(shù)據(jù)庫優(yōu)化,Spark 查詢優(yōu)化：提升關(guān)系型數(shù)據(jù)庫性能,大數(shù)據(jù)三大核心技術(shù)：拿數(shù)據(jù)、算數(shù)據(jù)、賣數(shù)據(jù)！,漫談工業(yè)大數(shù)據(jù)9：開源工業(yè)大數(shù)據(jù)軟件簡介（上）的信息別忘了在本站進行查找喔。
創(chuàng)新互聯(lián)成都網(wǎng)站建設(shè)公司提供專業(yè)的建站服務(wù)，為您量身定制，歡迎來電（028-86922220）為您打造專屬于企業(yè)本身的網(wǎng)絡(luò)品牌形象。
成都創(chuàng)新互聯(lián)品牌官網(wǎng)提供專業(yè)的網(wǎng)站建設(shè)、設(shè)計、制作等服務(wù)，是一家以網(wǎng)站建設(shè)為主要業(yè)務(wù)的公司，在網(wǎng)站建設(shè)、設(shè)計和制作領(lǐng)域具有豐富的經(jīng)驗。
當前文章：Spark查詢優(yōu)化：提升關(guān)系型數(shù)據(jù)庫性能(spark查詢關(guān)系型數(shù)據(jù)庫優(yōu)化)
本文URL：http://www.dlmjj.cn/article/dpspjcs.html
