《大数据技术体系详解》笔记（一）

大数据技术体系

1、概述

企业级大数据体系

Google大数据技术栈

Hadoop与Spark开源大数据技术栈

大数据架构

2、关系型数据库采集

Sqoop1架构

Sqoop2架构

CDC(增量数据收集）

应用场景

开源实现Canal

多机房同步系统Otter

• 基本原理
  

• S、E、T、L四阶段模型
  

• 跨机房部署
  

3、非关系型数据库采集

• 非关系型数据指日志、网页、视频等数据。

Flume

基本思想和特点

• 插拔式架构，已扩展
• 各组件可定制化
• 声明式配置
• 语意路由
• 内置事务，高可靠性

基本架构

Flume的数据流通过一系列Agent的组件构成，经过过滤、路由操作后，传递给下一个或多个Agent，直至目标系统。

Agent构造

Agent内部由三个组件构成，分别是Source、Channel、Sink。

1. Source
   从Client或上一个Agent接收数据，写入Channel。
   Flume提供了很多Source实现，包括

• Avro Source
• Thrift Source
• Exec Source
• Spooling Directory Source
• Kafka Source
• Syslog Source
• Http Source
• 自定义Source

2）Channel
缓冲区，暂存Source写入的数据，直到被Sink发送出去。
Flume提供了几种实现：

• Memory Channel
  内存中缓存，性能高，断电数据易丢失，内存不足，Agent会崩溃。
• File Channel
  磁盘文件缓存Event。
• JDBC Channel
• Kafka Channel

3） Sink
从Channel读取数据，发送给下一个Agent。
Flume提供以下几张实现：

• HDFS Sink
• HBase Sink
• Avro/Thrift Sink
• MorphineSolrSink/ElasticSearch Sink
• Kafka Sink

Flume高阶组件

包括Interceptor、Channel Selector和Sink Processor

数据流构建方法

如何构建

1） 确定流式数据获取方式
2） 根据需求规划Agent
3） 设置每个Agent
4） 测试构建的数据流拓扑
5） 在生产环境部署该数据流拓扑

数据流获取方式

• RPC
• TCP或UDP
• 执行命令

常见拓扑架构

1） 多路合并

2） 多路复用