低調、奢華、有內涵的敏捷式大資料方案:Flume+Cassandra+Presto+SpagoBI
基於FacebookPresto+Cassandra的敏捷式大資料
目錄
結合實現大資料即席分析進行了介紹。Presto是為滿足互動式即席查詢需求而優化的分散式SQL查詢引擎。它支援標準ANSI SQL,包括複雜查詢,聚合,連線和視窗函式。
Cassandra以前缺少互動式即席查詢功能,甚至在CQL中不支援聚合函式。因為這個原因,Cassandra在作為資料庫使用時經常被混淆。分析Cassandra中的資料有下邊兩個框架:
1) Hadoop MapReduce
2) Spark andShark
Hadoop MapReduce用於即席查詢絕對夠慢的。Spark的RDD模型是很快的,但是執行查詢需要多次練習。Presto是可以完全獨立的執行Cassandra資料的SQL引擎。Presto的架構如下:
從上圖中可以看出Presto的執行模型完全不同於Hive/MapReduce。Hive在執行一個MapReduce任務到另外一個時,需要將查詢轉換到多個階段。每一個任務需要從磁碟讀取資料並將中間的輸出寫入磁碟。相反,Presto引擎不要使用MapReduce。它採用了自定義查詢和執行引擎設計,支援SQL。另外,改進了排程,所有的處理是在記憶體中進行,並在整個階段之間,通過網路,採用流水線處理,從而避免了不必要的I/ O和相關的延遲開銷。流水線執行模型每個階段只執行一次,流資料從一個階段到下一個階段,沒有中間停頓,這顯著減少了各種查詢的端至端時間延遲。
Apache Cassandra 是一套開源分散式 KeyValue 儲存系統。Cassandra 不是一個數據庫,它是一個混合型的非關係的資料庫。它以Amazon專有的完全分散式的Dynamo 為基礎,結合了Google BigTable 基於列族(Column Family)的資料模型。
1) 分散式;
2) 高擴充套件性;
3) 多資料中心;
4) 分散式寫操作;
5) 一致性雜湊
6) GoSSIP協議簡化叢集管理
7) 實時更新
8) 高效的資料壓縮
Cassandra最突出的特點是寫效能優異,支援高併發、實時更新。
Presto是Facebook最新研發的資料查詢引擎,可對250PB以上的資料進行快速地互動式分析。據稱該引擎的效能是 Hive 的 10 倍以上。Presto 是一個分散式系統,執行在叢集環境中,完整的安裝包括一個協調器 (coordinator) 和多個 workers。查詢通過例如 Presto CLI 的客戶端提交到協調器,協調器負責解析、分析和安排查詢到不同的 worker 上執行。
此外,Presto 需要一個數據源來執行查詢。當前 Presto 包含支援Cassandra、Hive 的外掛。
1) 分散式;
2) 記憶體計算;
3) ANSI-SQL語法支援;
4) JDBC 驅動
5) 用於從已有資料來源中讀取資料的“聯結器”集合。聯結器包括:HDFS、Hive和Cassandra
注:在連線Cassandra資料來源時,不需要安裝Hive,也不需要HDFS。
2 環境準備
2.1 主機
IP |
HOSTNAME |
部署模組 |
192.168.0.40 |
NODE1 |
Cassandra Presto |
192.168.0.41 |
NODE2 |
Cassandra Presto |
192.168.0.42 |
NODE3 |
Cassandra Presto |
192.168.0.43 |
NODE4 |
Cassandra Presto |
192.168.0.44 |
NODE5:Cassandra seed Presto Coordinator |
Cassandra Presto |
192.168.0.45 |
NODE6 |
Cassandra Presto |
192.168.0.46 |
NODE7 |
Cassandra Presto |
192.168.0.47 |
NODE8 |
Cassandra Presto |
2.2 使用者
使用Hbase使用者
[[email protected] ~]# useradd hbase [[email protected] ~]# passwd hbase Changing password for user hbase. New password: BAD PASSWORD: it is based on a dictionary word BAD PASSWORD: is too simple Retype new password: passwd: all authentication tokens updated successfully. |
以上命令須在8臺機器上分別執行
程式名稱 |
說明 |
apache-cassandra-2.0.10.tar.gz |
Cassandra安裝程式 |
presto-server-0.75.tar.gz |
Presto安裝程式 |
第一步:修改hosts檔案
[[email protected] java]# vi /etc/hosts |
hosts檔案中新增,並在其它節點依次複製以下配置:
192.168.0.40 node1 192.168.0.41 node2 192.168.0.42 node3 192.168.0.43 node4 192.168.0.44 node5 192.168.0.45 node6 192.168.0.46 node7 192.168.0.47 node8 |
分別在8臺主機上執行以下命令:
[[email protected] ~]$ ssh-keygen -t rsa -P "" Generating public/private rsa key pair. Enter file in which to save the key (/home/hbase/.ssh/id_rsa): Created directory '/home/ hbase /.ssh'. Your identification has been saved in /home/hbase/.ssh/id_rsa. Your public key has been saved in /home/hbase/.ssh/id_rsa.pub. The key fingerprint is: 93:fd:d4:b7:27:aa:10:25:66:a7:c8:b6:e6:31:4c:18 hbase @master The key's randomart image is: +--[ RSA 2048]----+ | | | | | E + o | | + + B . | | . = S . . . .| | + . o o ..| | * . . ...| | o o . . ..| | . ... | +-----------------+ [[email protected] .ssh]$ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys [[email protected] .ssh]$ chmod 600 ~/.ssh/authorized_keys |
在node5主機執行如下命令,並將完整的authorized_keys分發到各臺主機:
[[email protected] .ssh]$ scp authorized_keys [email protected]:~/.ssh/ [email protected]'s password: authorized_keys 100% 1990 1.9KB/s 00:00 其它節點依次同樣處理。 |
測試node5節點到各個slave節點的ssh可用性:
[[email protected] .ssh]$ ssh slave1 Last login: Wed Aug 7 22:24:19 2013 from 192.168.0.25 [hbase @slave1 ~]$ exit logout Connection to slave1 closed. 其它節點依次類推。 |
已經安裝jdk1.7_51
3 程式安裝
[[email protected] node5 ~]$ tar -xzf apache-cassandra-2.0.10.tar.gz |
[[email protected] node5 ~]$ cd apache-cassandra-2.0.10/conf/ [[email protected] conf]$ vi cassandra.yaml |
cassandra.yaml內容
… cluster_name: 'sunrise Cluster' - seeds: "192.168.0.44" --> - seeds: "node IP address" data_file_directories: - /home/hbase/cassandra/data commitlog_directory: /home/hbase/cassandra/commitlog saved_caches_directory: /home/hbase/cassandra/saved_caches listen_address: 192.168.0.44 native_transport_port: 9042 rpc_address: 192.168.0.44 rpc_port: 9160 … |
cluster_name:這個配置項是用來標識叢集名稱的。
data_file_directories:這個配置項是用來配置Cassandra資料目錄的。
commitlog_directory: 這個配置項是用來配置Cassandra提交日誌目錄的。
saved_caches_directory:這個配置項是用來配置Cassandra快取目錄的。
listen_address:這個配置項定義了叢集中其他節點的連線方式。所以多節點的叢集必須將這個改成他實際的網絡卡地址。
listen_address:這個配置項定義了叢集中其他節點的連線方式。所以多節點的叢集必須將這個改成他實際的網絡卡地址。
rpc_address:這個配置項定義了這個節點在哪裡監聽客戶端。所以可以跟node的IP地址一樣,或者設定為0.0.0.0,如果我們想在所有的可用網絡卡介面上監聽的話。
Seeds:seeds作為連線點,當一個新的節點加入到叢集中的時候,他聯絡seeds得到其他節點的一些基礎資訊。所以在多節點中,作為種子的節點必須是所有的節點都可以通過路由連線到的。注:在多節點的叢集中,最好擁有多個seeds。多個節點作為seeds可以通過如下方式定義。
啟動:
Node1 – node8 |
[[email protected] cassandra |
檢視狀態
Node5 |
[[email protected] apache-cassandra-2.0.10]$ ./bin/nodetool -host 192.168.0.44 -p 7199 status UN 192.168.0.45 215.5 KB 256 12.8% 55a15b62-b3a9-4fa3-ad76-284ce8132ff5 rack1 UN 192.168.0.44 204.95 KB 256 11.6% 4b736f9e-d904-4d69-80f3-66492a1a0344 rack1 UN 192.168.0.47 207.25 KB 256 13.7% 0744e75b-dc9e-4be3-9cd4-9a803f141abb rack1 UN 192.168.0.46 202.26 KB 256 12.4% e2087e1a-6c06-4b24-9355-f27890b0e9c6 rack1 UN 192.168.0.41 180.9 KB 256 13.0% 7aac038a-8bf7-45d7-b385-a2c434ed96ff rack1 UN 192.168.0.40 189.13 KB 256 12.7% de8cb5e2-fce3-4735-bfc0-c21f51b1e7d8 rack1 UN 192.168.0.43 184.23 KB 256 12.3% 3ef670c3-d61e-406f-b853-20a06747cd21 rack1 UN 192.168.0.42 184.83 KB 256 11.5% 3055f3e2-7003-440c-a198-e7ff7c862ec0 rack1 |
建立keyspace、user表、插入資料
Node5 |
[[email protected] apache-cassandra-2.0.10]$ ./bin/cqlsh -u cassandra -p cassandra 192.168.0.44 9160 [cqlsh 4.1.1 | Cassandra 2.0.10 | CQL spec 3.1.1 | Thrift protocol 19.39.0] Use HELP for help. cqlsh> CREATE KEYSPACE munion_db WITH REPLICATION = { 'class' : 'SimpleStrategy', 'replication_factor' : 2 }; cqlsh>use munion_db; cqlsh>create table users(user_id int primary key, fname varchar,lname varchar); cqlsh> INSERT INTO users (user_id, fname, lname) VALUES (1744, 'john', 'smith'); cqlsh> INSERT INTO users (user_id, fname, lname) VALUES (1745, 'john', 'doe'); cqlsh> INSERT INTO users (user_id, fname, lname) VALUES (1746, 'john', 'smith'); cqlsh> INSERT INTO users (user_id, fname, lname) VALUES (1747, '測試', '測試'); cqlsh>select * from users; user_id | fname | lname ---------+-------+--------- 1744 | john | smith 1745 | john | doe 1746 | john | smith 1747 | 測試| 測試 |
[[email protected]~]$ tar -xzf presto-server-0.75.tar.gz [[email protected]~]$ cd presto-server-0.75 |
配置檔案內容:
node.environment=pretest node.id=node5 node.data-dir=/home/hbase/presto-server-0.57/presto/data |
配置檔案內容:
node.environment=pretest node.id=node5 node.data-dir=/home/hbase/presto-server-0.57/presto/data [[email protected] etc]$ cat jvm.config -server -Xmx6G -XX:+UseConcMarkSweepGC -XX:+ExplicitGCInvokesConcurrent -XX:+CMSClassUnloadingEnabled -XX:+AggressiveOpts -XX:+HeapDumpOnOutOfMemoryError -XX:OnOutOfMemoryError=kill -9 %p -XX:PermSize=150M -XX:MaxPermSize=150M -XX:ReservedCodeCacheSize=150M -Xbootclasspath/p:/home/hbase/presto-server-0.57/lib/floatingdecimal-0.1.jar -Djava.library.path=/home/hbase/hadoop/lib/native/Linux-amd64-64> |
配置檔案內容
coordinator=true #node5,其他節點設為false #node-scheduler.include-coordinator=false http-server.http.port=40000 task.max-memory=1GB discovery-server.enabled=true discovery.uri=http://node5:40000 |
com.facebook.presto=INFO |
編輯Catalog Properties檔案,新增如下內容
connector.name=cassandra cassandra.contact-points=node1,node2,node3,node4,node5,node6,node7,node8 |
啟動Presto,命令如下:
[[email protected] ~]$ cd /home/hbase/presto-server-0.75 [[email protected] ~]$./bin/launcher start [[email protected] ~]$./bin/launcher start [[email protected]~]$./presto --server 192.168.0.44:40000 –catalog cassandra --schema munion_db presto:munion_db>select * from users; presto:munion_db> user_id | fname | lname ---------+-------+--------- 1744 | john | smith 1745 | john | doe 1746 | john | smith 1747 | 測試| 測試 |
4 功能測試
Create tabe/view:只支援Createtabe/view as select …
支援連線:Inner join、left join、right join
聚合函式:支援count、max、min等
支援insert操作;
支援copy匯入資料;
支援kettle匯入資料;
支援程式使用JDBC介面;
Java客戶端呼叫JDBC出錯;
報表工具連線JDBC源有待驗證;
5 效能測試
未做。
6 總結
相對於Hadoop/Hive/HBase/Spark,Cassandra+Presto不失為一種大資料的敏捷方案。
Kettle提供了Cassandra的ETL元件,CQLSH提供了類似於ER的資料模型,Presto提供了跨資料來源的交叉查詢能力,並提供了豐富的SQL功能。此外,JDBC驅動提供了對程式、客戶端工具及報表工具的連線能力。
7 未盡…
因為時間和人力資源限制,不得不停止Cassandra+Presto的測試驗證工作,進一步的性
能測試也沒能去測。儘管如此,該方案仍然可認為是可行的。也許,在將來某個時間,Cassandra+Presto將被重新提及,並被採用。
Presto升級很快,現在已經到了0.78版本,在0.77中已經實現了分散式Hash功能,儘管還處於試驗階段。相對與Hadoop/HBase/Hive/Spark來說,採用Flume+Cassandra+Presto+SpagoBI無疑是一個敏捷的大資料解決方案。希望能對準備使用大資料的同道們有所幫助!