大数据架构

大数据架构和技术选型

大数据架构

源数据层：

1、sdk日志埋点

2、日志文件：爬虫日志、业务日志

3、关系型数据库：mysql、oracle等

数据采集层：

1、离线：flume、Sqoop、Nifi
2、实时：filebeat、nginx+lua
补充：当数据量达到5亿左右的时候，filebeat+logstash采集数据到hdfs，数据会出现丢失的情况，所以此种方案不适合用于大数据存储到hdfs

数据存储层：

1、hdfs用于存储离线大数据量
2、kudu用于存储mysql关系数据库更新变化的数据
3、es存储一些log日志，比如说我们需要快速的定位某一个业务的log情况
4、kafka作为消息中间件，存储filebeat或者是flume采集的日志

数据分析层：

1、es，分析一些log
2、hive适用于分析一些离线大数据（基于磁盘IO分析）
3、impala、presto适用于分析一些准实时日志（要求快速出数据，基于内存分析）
4、spark core+spark sql 适用于分析一些离线数据，自定义解析规则
5、spark streaming适用于分析一些实时（不是完全实时）数据
6、flink、jstorm进行分析完全实时的数据

数据调度层：

1、airflow：使用于大集群，阿里的调度系统就是根据airflow二次开发，配置复杂，python脚本实现
2、azkaban：cpu和内存要求不高，主从配置支持的不算太好，适用于小集群，以job的文件实现，配置简单
3、oozie：通常hue集成，单独的使用oozie的情况下，配置及其复杂，不建议使用，所有的任务是以mr的形式进行的，可支持复杂的依赖调度
4、jobX：cpu使用高，bug还没修复，所以造成agent的cpu维持在1个左右，配置简单，只支持依赖调度，并行调度不支持
5、crontab：一般用于每分钟调度一次的任务，不支持依赖调度、并行调度（配置复杂，通过脚本自定义控制），没有可视化界面，不能准确的判断任务是否成功或者是失败.......

6、NiFi

7、自定义，公司自己开发使用的

数据同步层：

1、sqoop用的是1.x系列版本
2、datax

3、kettle

4、NiFi

数据olap存储层：

mysql、es、tidb、redis、hbase、clickhouse

补充：有时间的话去研究一下tidb和clickhouse

数据展示层：

PowerBI、帆软等BI可视化工具、前端定制开发。

技术选型

实时分析

​ 可以使用lua或者filebeat将nginx数据采集到kafka，数据经过spark streaming或者是jstorm进行分析后，尽可能的存入一些高吞吐量的数据库（非关系型），但是有时必须要存入一些关系型数据库，比如说mysql，但是spark streaming发现仅仅通过一个map操作，每个执行的batch的时间，就超过我们所设置的batch时间，这时候我们需要一个措施，增加一个缓冲层，不直接mysql或者是redis，先写入kafka，然后通过kafka推送到独立的写入服务，这样会发现实时处理服务的时间明显的降低。

离线分析

采集这块用flume的tailf形式，或者使用sqoop和nifi。

数据分析使用Hive、SparkSql，数据存储使用HDFS。

最终将数据导出到mysql等常用的关系型数据库当中。

组件版本号

Cloudera Manager：6.2.1

CDH：6.2.1

Hadoop：3.0.0-cdh6.2.1

HBase：2.1.0-cdh6.2.1

Hive：2.1.1-cdh6.2.1

Kafka：2.1.0-cdh6.2.1

Kudu：1.9.0-cdh6.2.1

Oozie：5.1.0-cdh6.2.1

Spark：2.4.0-cdh6.2.1

Sqoop：1.4.7-cdh6.2.1

ZooKeeper：3.4.5-cdh6.2.1