问题背景
在40岁老架构师 尼恩的读者社区(50+)中，尼恩一直指导大家写简历，做面试，最高的拿到年薪近100W。
昨天指导 一个 阿里 p6 小伙写简历，做面试。在帮他 挖掘简历亮点时，发现他项目在Java上没有什么技术亮点，他项目的核心亮点，就在大数据
没错，就是大数据。但是小伙伴对大数据有畏惧心理， 担心自己驾驭不了。
尼恩想说，其实大数据其实很简单，所以，大家不用有畏惧心理。
这里 尼恩给大家写一篇 文章，2分钟大白话，给大家讲清楚 什么是大数据架构。
- 从此，大家 不会有 大数据 畏惧心理
- 甚至，从此文开始， 会 爱上大数据
文章目录
什么是大数据
比如说 尼恩曾经 主导的一个 大型大数据治理平台项目， 数据规模庞大：
- 数据量在 10PB
- 数据记录在 100亿以上
比如说 尼恩曾经 主导的一个 大型搜索中台项目
- 数据量在 1PB
- 数据记录在 1亿+
数据规模一上来， 任务的执行就会很长，比如， 在 大型搜索中台项目，一个高频的、常规的、重要的 索引重刷任务，执行周期是多久呢？
- 你以为是1小时
- 实际上是10天
大数据框架的核心
面对如此庞大的数据，如何存储、如何利用大规模的服务器集群处理计算才是大数据技术的核心。
大数据技术讨论的是，如何利用更多的计算机满足大规模的数据计算要求。
大数据框架的核心， 就是分而治之， 无论在存储上、还是在计算上，都是如此。
所以，尼恩把大数据框架的核心，分为两个方面：
- 超大规模 分布式 存储框架
- 超大规模 分布式 计算 框架
超大规模 分布式 存储框架：HDFS分布式文件存储架构
如何将数百TB或数百PB的数据存储起来，通过一个文件系统统一管理，这本身就是一项极大的挑战。
大规模的数据计算首先要解决的是大规模数据的存储问题。
HDFS的架构，有两个大的核心角色，如下图：
NameNode服务器充当文件控制块的角色，进行文件元数据管理，即记录文件名、访问权限、数据存储地址等信息，而真正的文件数据则存储在DataNode服务器上。
DataNode以块为单位存储文件数据。在Hadoop2.x版本中，块的大小可以通过配置参数来规定。默认为128M，但新版本中将块大小调整为256M。
NameNode 和DataNode 如何 配合？
具体如下图：
- 所有的块信息，比如块ID、块所在的服务器IP地址等，都记录在NameNode服务器上；
- 而具体的块数据则存储在DataNode服务器上。
HDFS可以将数千台服务器，组成一个统一的文件存储系统。数千台服务器，中有NameNode 和DataNode 相互 配合，当然，DataNode 在数量上占了绝大数。
HDFS如何实现存储的高可靠呢？ 为了保证不会因为硬盘或者服务器损坏而导致文件损坏，HDFS会对数据块进行复制，每个数据块都会存储在多台服务器上，甚至多个机架上。
超大规模 分布式 计算 框架
超大规模 分布式 计算 框架 可以从很多维度进行划分，这里尼恩按照性能，简单划分为：
- 基于文件的 超大规模计算
- 基于内存的中小规模计算
基于文件的 超大规模计算， 很简单，就是中间过程数据都输出到文档
- 优点是 计算规模可以无限大 ，因为理论上 磁盘可以无限大
- 缺点是 速度低下， 因为磁盘IO是 很低性能，很慢的
基于内存的 超大规模计算， 很简单，就是中间过程数据都输出到内存
- 缺点是 计算规模不可以无限大 ，因为理论上内存是很小的规模
- 优点是 速度高，因为内存IO是高性能，很快的
超大规模 分布式 计算 框架：MapReduce
数据存储在HDFS上的最终目标还是为了计算，通过数据分析或者机器学习获得有益的结果。但是如果像传统的应用程序那样把HDFS当作普通文件，从文件中读取数据后进行计算，那么对于需要一次计算数百TB数据的大数据计算场景，就不知道要算到什么时候了。
MapReduce是什么？
MapReduce的核心思想是对数据进行分片计算。
MapReduce在多个 服务器上启动同一个计算程序，每个服务器上的程序进程，负责处理本服务器上要处理的数据块，因此，大量的数据就可以同时进行计算了。
那么，每个数据块的数据都是独立的，如果这些数据块需要进行关联计算怎么办？MapReduce 通过 shuffle洗牌 的动作去完成。
shuffle洗牌的职责也太简单：负责的来说，shuffle洗牌就是数据的传输和路由。 直观一点来说，shuffle洗牌 把计算过程的中间件数据， 传输到后面的计算所需要的节点。
所以，一般来说，一个 MapReduce 大数据的处理流程，就是三个阶段：
- map
- shuffle洗牌
- reduce
MapReduce将计算过程分成3个部分
MapReduce将计算过程分成3个部分：
- map过程，每个服务器上会启动多个map进程，map优先读取本地数据进行计算，计算后输出一个<key, value>集合；
- shuffle过程，所谓的shuffle就是将相同的key发送到同一个reduce进程中，在reduce中完成数据关联计算。
- reduce过程，MapReduce在每个服务器上都会启动多个reduce进程，然后对所有map输出的<key, value>集合进行聚合reduce操作。
WordCount的处理例子
下面以经典的WordCount，即统计所有数据中相同单词的词频数据为例，来认识map和reduce的处理过程，如图31-2所示。
假设原始数据有两个数据块，MapReduce框架启动了两个map进程进行处理，它们分别读入数据。
- map函数会对输入数据进行分词处理，然后针对每个单词输出<单词, 1>这样的<key, value>结果。
- 然后进行shuffle操作，相同的key发送给同一个reduce进程，
- 最后是 reduce操作，输入就是<key, value列表>这样的结构，即相同key的value合并成了一个value列表。
在这个示例中，这个value列表就是由很多个1组成的列表。reduce对这些1进行求和操作，就得到每个单词的词频结果了。
一个具体的MapReduce程序如下：
其实，大数据非常简单，只是很多小伙伴， 胆子太小
public class WordCount {
public static class TokenizerMapper
extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(Object key, Text value, Context context
) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
public static class IntSumReducer
extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values,
Context context
) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}
上面讲述了map和reduce进程合作完成数据处理的过程，那么这些进程是如何在分布式的服务器集群上启动的呢？
HDFS和MapReduce的亲密关系
HDFS和MapReduce都是Hadoop的组成部分。HDFS和MapReduce是一种非常的亲密关系
如图所示。
MapReduce的任务调度主要有JobTracker和TaskTracker这两种进程角色，JobTracker是master的角色，在MapReduce集群中只有一个，而TaskTracker是worker的角色，和DataNode一起启动在集群的所有服务器上。
MapReduce应用程序JobClient启动后，会向JobTracker（master）提交作业，JobTracker根据作业中输入的文件路径分析需要在哪些DataNode服务器上启动map进程，然后就向这些服务器上的TaskTracker（worker）发送任务命令。
TaskTracker（worker）收到任务后，启动一个TaskRunner进程下载任务对应的程序，然后反射加载程序中的map函数，读取任务中分配的数据块，并进行map计算。
map计算结束后，TaskTracker（worker）会对map输出进行shuffle操作，然后目标的worke，再一次启动TaskRunner加载reduce函数进行后续计算。
基于内存的中小规模计算: Spark快速大数据计算架构
MapReduce主要使用硬盘存储计算过程中的数据，虽然可靠性比较高，但是性能却较差。
此外，MapReduce只能使用map和reduce函数进行编程，虽然能够完成各种大数据计算，但是编程比较复杂。
而且受map和reduce编程模型相对简单的影响，复杂的计算必须组合多个MapReduce job才能完成，编程难度进一步增加。
总之，MapReduce是基于文件的 超大规模计算， 很简单，就是中间过程数据都输出到文档
- 优点是 计算规模可以无限大 ，因为理论上 磁盘可以无限大
- 缺点是 速度低下， 因为磁盘IO是 很低性能，很慢的
所以，演进出来了基于内存的 超大规模计算。
基于内存的 超大规模计算， 很简单，就是中间过程数据都输出到内存
- 缺点是 计算规模不可以无限大 ，因为理论上内存是很小的规模
- 优点是 速度高，因为内存IO是高性能，很快的
Spark在MapReduce的基础上演进出来的，基于内存的 超大规模计算、
Spark主要使用内存进行中间计算数据存储，加快了计算执行时间，在某些情况下性能可以提升上百倍。
Spark的RDD 数据模型
没有了文件， Spark抽象了自己的数据模型，叫做RDD
RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark 中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。
在Spark 中，对数据的所有操作不外乎创建RDD、转化已有RDD 以及调用RDD 操作进行求值。
每个RDD 都被分为多个分区，这些分区运行在集群中的不同节点上。
RDD 可以包含Python、Java、Scala 中任意类型的对象， 甚至可以包含用户自定义的对象。
RDD 具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。
RDD 允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。
RDD 支持两种操作:transformation操作和action操作。
RDD 的转化操作是返回一个新的RDD 的操作，比如map()和filter()，而action操作则是向驱动器程序返回结果或把结果写入外部系统的操作。比如count() 和first()。
Spark 采用惰性计算模式，RDD 只有第一次在一个行动操作中用到时，才会真正计算。
Spark 可以优化整个计算过程。默认情况下，Spark 的RDD 会在你每次对它们进行行动操作时重新计算。如果想在多个行动操作中重用同一个RDD ， 可以使用RDD.persist() 让Spark 把这个RDD 缓存下来。
Spark的轻量级mapreduce函数
Spark的主要编程模型是RDD，即弹性数据集。在RDD上定义了许多常见的大数据计算函数，利用这些函数可以用极少的代码完成较为复杂的大数据计算。
RDD 在Spark中，替代了 文件在 mapreduce中的地位。
Spark的梳理处理模型，和mapreduce 类似，可以理解为 轻量级mapreduce函数
前面举例的WorkCount如果用Spark编程，只需要三行代码：
val textFile = sc.textFile("hdfs://...")
val counts = textFile.flatMap(line => line.split(" "))
.map(word => (word, 1))
.reduceByKey(_ + _)
counts.saveAsTextFile("hdfs://...")
首先，从HDFS读取数据，构建出一个RDD textFile。然后，在这个RDD上执行三个操作：
- 一是将输入数据的每一行文本用空格拆分成单词；
- 二是将每个单词进行转换，比如word→(word, 1)，生成<Key, Value>的结构；
- 三是针对相同的Key进行统计，统计方式是对Value求和。最后，将RDD counts写入HDFS，完成结果输出。
上面代码中flatMap、map、reduceByKey都是Spark的RDD转换函数，RDD转换函数的计算结果还是RDD，所以上面三个函数可以写在一行代码上，最后得到的还是RDD。
Spark会根据程序中的转换函数生成计算任务执行计划，这个执行计划就是一个DAG。Spark可以在一个作业中完成非常复杂的大数据计算，Spark DAG示例如图31-8所示。
在图31-8中，A、C和E是从HDFS上加载的RDD。A经过groupBy分组统计转换函数计算后得到RDD B，C经过map转换函数计算后得到RDD D，D和E经过union合并转换函数计算后得到RDD F，B和F经过join连接转换函数计算后得到最终结果RDD G。
如何像写sql一样处理大数据：Hive大数据仓库架构
问题：
无论是基于文件的MapReduce，还是基于内存的spark，都需要写一大段的处理算子，还需要管理那些算子之间，复杂的先后依赖关系，所以，开发比较复杂。
传统上，主要使用SQL进行数据分析，如果能根据SQL自动生成MapReduce，就可以极大降低大数据技术在数据分析领域的应用门槛。
Hive就是这样一个工具。
将SQL翻译成MapReduce程序代码
Hive要做的就是：将SQL翻译成MapReduce程序代码
我们来看对于如下一条常见的SQL语句，Hive是如何将其转换成MapReduce计算的。
SELECT pageid, age, count(1) FROM pv_users GROUP BY pageid, age;
这是一条常见的SQL统计分析语句，用于统计不同年龄的用户访问不同网页的兴趣偏好，具体数据输入和执行结果示例如图所示。
看这个示例我们就会发现，这个计算场景和WordCount很像。
事实上也确实如此，我们可以用MapReduce完成这条SQL的处理，如图所示。
map函数输出的key是表的行记录，value是1，reduce函数对相同的行进行记录，也就是针对具有相同key的value集合进行求和计算，最终得到SQL的输出结果。
实际上，Hive内置了很多Operator，每个Operator完成一个特定的计算过程，
Hive将这些Operator构造成一个有向无环图DAG，然后根据这些Operator之间是否存在shuffle将其封装到map或者reduce函数中，之后就可以提交给MapReduce执行了。
Operator组成的DAG如图
这是一个包含where查询条件的SQL，where查询条件对应一个FilterOperator。
Hive整体架构
Hive整体架构如图所示。
Hive的表数据存储在HDFS。
表的结构，比如表名、字段名、字段之间的分隔符等存储在Metastore中。
用户通过Client提交SQL到Driver，Driver请求Compiler将SQL编译成如上示例的DAG执行计划中，然后交给Hadoop执行。
大数据流计算架构
大数据两个方向： 离线计算、流式计算。前面讲的，都是离线计算。 再来看 流式计算。
如何进行大数据的秒级处理
Spark虽然比MapReduce快很多，但是在大多数场景下计算耗时依然是分钟级别的，这种计算一般被称为大数据批处理计算。
而在实际应用中，有些时候需要在秒级别、毫秒级完成不断输入的海量数据的计算处理。
秒级别、毫秒级非常多：
- 比如今日头条的个性化推荐
- 比如实时对摄像头采集的数据进行监控分析，这就是所谓的大数据流计算。
早期比较著名的流式大数据计算引擎是Storm，今日头条的个性化推荐，就是一个超大规模storm集群。
后来随着Spark的火爆，Spark上的流式计算引擎Spark Streaming也逐渐流行起来。
Spark Streaming的架构原理是将实时流入的数据切分成小的一批一批的数据，然后将这些小的一批批数据交给Spark执行。
由于数据量比较小，Spark Streaming又常驻系统，不需要重新启动，因此可以在毫秒级完成计算，看起来像是实时计算一样，如图所示。
最近几年比较流行的大数据引擎Flink其架构原理和Spark Streaming很相似，它可以基于不同的数据源，根据数据量和计算场景的要求，灵活地适应流计算和批处理计算。
关于flink的学习，后面尼恩团队会给大家写一本超级牛逼的 《flink学习圣经》。
这里就不做展开了。
在2分钟大白话的学习之后
看完此文的2分钟大白话，大家基本也清楚 什么是大数据架构。
所以说，其实大数据其实很简单，大家不用有畏惧心理。
从此，大家 不用有 大数据 畏惧心理 。甚至，从此文开始，大家会 爱上大数据
学习的过程中，遇到问题，可以找尼恩交流
如果还要进一步学习大数据，可以翻阅一下尼恩团队即将隆重推出的《尼恩大数据面试宝典》， 具体请参见 尼恩的文末公号：技术自由圈
推荐相关阅读
《尼恩大数据面试宝典专题2：绝密100个Spark面试题，熟背100遍，猛拿高薪》
《尼恩大数据面试宝典专题3：史上最全Hive面试题，不断迭代，持续升级》
《尼恩 架构笔记》《尼恩高并发三部曲》《尼恩 面试宝典》PDF，请到下面公号【技术自由圈】取↓↓↓