java - Apache项目与大数据世界

Question

我是一位经验丰富的LAMP开发人员，并且在php，nginx，haproxy，redis，mongodb和aws服务方面经验丰富。每当需要大数据时，我都会使用AWS Web服务，并且最近开始阅读有关希望自己使用该技术的大数据的信息，而不是将托管服务用于大数据处理，流处理等。

但是，这与学习LAMP并不一样，并且由于用例的性质，很难为新手找到好的资源。特别适合那些还没有使用Java生态系统的人。 (据我了解，Java软件几乎涵盖了流行的大数据堆栈)。下面的软件列表在谈论大数据时几乎无处不在，但是很难理解每种软件的概念，并且每个项目的主页上提供的描述都非常模糊。

例如“Cassandra”，表面上是一个存储时间序列数据的好数据库，但是当阅读更多有关分析的信息时，就会出现其他堆栈，如hadoop，pig，zookeeper等。

Cassandra

Flink

水槽

Hadoop

Hbase

hive

卡夫卡

Spark

Zookeeper

简而言之，这些软件有什么作用？在大数据的背景下，其中一些项目具有相同的方面，为什么它们又并存呢？有什么好处？什么时候使用什么？

Answer 1

至于hadoop，您必须了解，取决于上下文，Hadoop可能意味着两件事。如果您熟悉该术语，则有点像“Linux”一词。

仅是核心:真正的“Hadoop”只是一个文件系统，用于通过Map / Reduce将非常大的文件+请求框架进行分散存储。

整个生态系统

:这包括已放入hadoop进行数据分析的核心和所有其他工具。 Flume，Hbase，Hive，Kafka，Spark和Zookeeper是属于此类别的术语。我不确定Flink也可能是。

Cassandra也可能属于第二类，因为"Hadoop integration was added way back in version 0.6 of Cassandra"。

为了更好地了解整个生态系统，您必须understand how this is all structured:

从下到上:

最底层:这是分布式文件系统和Map / Reduce请求框架。 HDFS是文件系统的名称，您也会经常看到这个术语。在HDFS之上，您可以使用HBase，它是HDFS¹之上的面向列的数据库。

中间层，执行引擎:在中间层，我们有几个不同的引擎，它们可以查询hadoop文件系统以获取信息。实际上，有些人将Map / Reduce放在了第二层，因为Hadoop环境现在还包括Tez和Spark。我认为，Tez通过使用图形进行映射/减少执行来加快查询速度。而且Spark是内存引擎。

顶层，用户抽象:在执行引擎的顶部，您具有用户API /抽象。其中包括apache Hive(类似于SQL的查询)和Pig(在我看来是SQL和编程语言的混合)。但是，还有更专业的抽象，例如MLlib，它是一个在使用Spark作为中间层的hadoop系统之上的机器学习库。

除了某个地方，我们还有整个生态系统的管理工具。管理服务器，管理任务执行顺序(作业调度)等。这是Kafka和Zookeeper所属的地方。

¹我目前不了解HBase与ORC文件或Parquet之间的关系。