spark的基础知识点整理

这篇文章主要介绍“spark的基础知识点整理”，在日常操作中，相信很多人在spark的基础知识点整理问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”spark的基础知识点整理”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

一 .基础整理

1. 服务器本身不存储数据，数据本身放在HDFS中的，服务器只做功能的进行查，删改等功能

2. Hive hbase mysql 区别

   {% asset_img 各种数据库之间的差别比较.png 这是一个新的博客的图片的说明 %}

3. 服务器本身不存储数据，数据本身放在HDFS中的，服务器只做功能的进行查，删改等功能

4. Hbase特性
   

5. 16010  对外访问端口

6. HBASE是一个数据库——可以提供数据的实时随机读写

7. Hbase：

• hadoop数据库，分布式可伸缩大型数据存储。

• 用户对随机、实时读写数据。

• 十亿行 x 百万列。

• 版本化、非关系型数据库。

8. hbase存储机制：面向列存储，table是按row排序。

9. Hbase的表没有固定的字段定义

• Hbase的表在物理存储上，是按照列族来分割的，不同列族的数据一定存储在不同的文件中

• Hbase的表中的每一行都固定有一个行键，而且每一行的行键在表中不能重复

• Hbase中的数据，包含行键，包含key，包含value，都是byte[ ]类型，hbase不负责为用户维护数据类型

• HBASE对事务的支持很差

• Hbase的表中每行存储的都是一些key-value对

10. 特征：

• Hbase的表数据存储在HDFS文件系统中

• 存储容量可以线性扩展

• 数据存储的安全性可靠性极高

• 对于为空(null)的列，并不占用存储空间，因此，表可以设计的非常稀疏。

• 主要用来存储结构化和半结构化的松散数据

• Hbase查询数据功能很简单，不支持join等复杂操作，不支持复杂的事务（行级的事务）

• 与hadoop一样，Hbase目标主要依靠横向扩展，通过不断增加廉价的商用服务器，来增加计算和存储能力。

11. 访问hbase table中的行，只有三种方式：

• 通过单个row key访问

• 通过row key的range

• 全表扫描

二 .集群搭建（完全分布式）

1. 主机安装

2. JDK 安装

3. hadoop安装

4. 环境变量

5. 验证：hbase version

6. [hbase/conf/hbase-env.sh]

   export JAVA_HOME=/soft/jdk
   export HBASE_MANAGES_ZK=false

7. [hbse-site.xml]

     <!-- 使用完全分布式 -->
      <property>
          <name>hbase.cluster.distributed</name>
          <value>true</value>
      </property>
      <!-- 指定hbase数据在hdfs上的存放路径 -->
      <property>
          <name>hbase.rootdir</name>
          <value>hdfs://s201:8020/hbase</value>
      </property>
      <!-- 配置zk地址 -->
      <property>
          <name>hbase.zookeeper.quorum</name>
          <value>s201:2181,s202:2181,s203:2181</value>
      </property>
      <!-- zk的本地目录 -->
      <property>
          <name>hbase.zookeeper.property.dataDir</name>
          <value>/home/centos/zookeeper</value>
      </property>

• [hbase/conf/regionservers]
  自己按需求设置
  s202
  s203
  s204

• 启动hbase集群(s201)
  start-hbase.sh

• 访问
  http://s201:16010

• 启动另一个master
  hbase-daemon.sh start master

三.使用知识点

1. hbase shell 基本操作

• scan ‘hbase:meta’    //查看元数据表
    split ‘ns1:t1’        //切割表

• help    ‘list_namespace’            //查看特定的命令帮助
    list_namespace                    //列出名字空间(数据库)
    list_namespace_tables ‘defalut’    //列出名字空间(数据库)
    create ‘ns1:t1’,’f1’                //创建表,指定空间下
    put ‘ns1:t1’,’row1’,’f1:id’,100        //插入数据
    get ‘ns1:t1’,’row1’                    //查询指定row
    scan ‘ns1:t1’                        //扫描表
    flush ‘ns1:t1’        //清理内存数据到磁盘。
    count ‘ns1:t1’        //统计函数
    disable ‘ns1:t1’        //删除表之前需要禁用表

• help    帮助

• drop ‘ns1:t1’

2. 通过编程API访问Hbase

• 添加依赖

• 
  
  org.apache.hbase
  hbase-client
  1.2.3
  
  

• 复制hbase集群的hbase-site.xml文件到模块的src/main/resources目录下

• 创建conf对象  Configuration conf = HBaseConfiguration.create();

• 通过连接工厂创建连接对象  Connection conn = ConnectionFactory.createConnection(conf);

• 通过连接查询tableName对象 TableName tname = TableName.valueOf(“ns1:t1”);

• 获得table Table table = conn.getTable(tname);

  //创建conf对象
           Configuration conf = HBaseConfiguration.create();
           //通过连接工厂创建连接对象
           Connection conn = ConnectionFactory.createConnection(conf);
           //通过连接查询tableName对象
           TableName tname = TableName.valueOf("ns1:t1");
           //获得table
           Table table = conn.getTable(tname);
           //通过bytes工具类创建字节数组(将字符串)
           byte[] rowid = Bytes.toBytes("row3");
           //创建put对象
           Put put = new Put(rowid);
           byte[] f1 = Bytes.toBytes("f1");
           byte[] id = Bytes.toBytes("id") ;
           byte[] value = Bytes.toBytes(102);
           put.addColumn(f1,id,value);
           //执行插入
           table.put(put);

//创建conf对象
                Configuration conf = HBaseConfiguration.create();
                //通过连接工厂创建连接对象
                Connection conn = ConnectionFactory.createConnection(conf);
                //通过连接查询tableName对象
                TableName tname = TableName.valueOf("ns1:t1");
                //获得table
                Table table = conn.getTable(tname);
                //通过bytes工具类创建字节数组(将字符串)
                byte[] rowid = Bytes.toBytes("row3");
                Get get = new Get(Bytes.toBytes("row3"));
                Result r = table.get(get);
                byte[] idvalue = r.getValue(Bytes.toBytes("f1"),Bytes.toBytes("id"));
                System.out.println(Bytes.toInt(idvalue));

1. Row Key

• 与nosql数据库们一样,row key是用来检索记录的主键。访问hbase table中的行，只有三种方式：

• A:通过单个row key访问

• B:通过row key的range

• C:全表扫描

• Row key行键 (Row key)可以是任意字符串(最大长度是 64KB，实际应用中长度一般为 10-100bytes)

• 在hbase内部，row key保存为字节数组

• Hbase会对表中的数据按照rowkey排序(字典顺序)

• 存储时，数据按照Row key的字典序(byte order)排序存储。

• 设计key时，要充分排序存储这个特性，将经常一起读取的行存储放到一起。(位置相关性)

• 字典序对int排序 : 注意要位数一样 例如10000  设置规则最好都是一样的如 0001   2000  这样的

• 表中的每一行有一个“行键rowkey”，而且行键在表中不能重复

• 表中的每一对kv数据称作一个cell，cell就是存储这些数据的一个类似封装对象，所有数据可以通过查询拿到

• cell中的数据是没有类型的，全部是字节码形式存贮。、

• 由{row key, column( =

  +), version} 唯一确定的单元

• hbase可以对数据存储多个历史版本（历史版本数量都是可配置）

• 整张表由于数据量过大，会被横向切分成若干个region（用rowkey范围标识）不同region的数据也存储在不同文件中

• hbase会对插入的数据按顺序存储：首先按行键排序，之后再按同一行里面的kv会按列族排序，再按k排序

• hbase中只支持byte[]   此处的byte[] 包括了： rowkey,key,value,列族名,表名

• hbase三级定位，行键，列，时间戳，列也可以是列族加列

• hbase通过行键区分区域服务器，会切割每部分，每部分都有各自的范围，行键是有序的

• 插入到hbase中去的数据，hbase会自动排序存储

• 排序规则：  首先看行键，然后看列族名，然后看列（key）名； 按字典顺序

2. 列族

• hbase表中的每个列，都归属与某个列族。列族是表的schema的一部分(而列不是)，必须在使用表之前定义。

• 列名都以列族作为前缀 例如：space:math 都属于 space这个列族

• 访问控制、磁盘和内存的使用统计都是在列族层面进行的。

• 列族越多，在取一行数据时所要参与IO、搜寻的文件就越多，所以，如果没有必要，不要设置太多的列族

3. 写前日志

• WAL            //write ahead log,写前日志。

• 写前日志  WAL  主要是容错用的

• 你写数据的时候都会往这个表记录，所以他可能影响插入速度

• 代码：关闭写前日志可以提高插入速度，因为插入的时候都会往写前日志里记录

  DecimalFormat format2 = new DecimalFormat();
    format2.applyPattern("0000");
    long start = System.currentTimeMillis() ;
    Configuration configuration = HBaseConfiguration.create();
    configuration.set("hbase.zookeeper.quorum","s202:2181,s203:2181,s204:2181");
    Connection connection = ConnectionFactory.createConnection(configuration);
    TableName tableName =TableName.valueOf("new:t1");
    HTable table = (HTable)connection.getTable(tableName);
    table.setAutoFlush(false);
    for (int i = 2 ; i <= 10000 ; i ++) {
          Put put = new Put(Bytes.toBytes("row" + format2.format(i))) ;
          //关闭写前日志
          put.setWriteToWAL(false);
          put.addColumn(Bytes.toBytes("f1"),Bytes.toBytes("id"),Bytes.toBytes(i));
          put.addColumn(Bytes.toBytes("f1"),Bytes.toBytes("name"),Bytes.toBytes("tom" + i));
          put.addColumn(Bytes.toBytes("f1"),Bytes.toBytes("age"),Bytes.toBytes(i % 100));
          table.put(put);
          if ( i % 2000 == 0 ) {
                table.flushCommits();
          }
    }
    //不提交丢数据，最后不满足2000的会丢，不是自动提交
    table.flushCommits();
    System.out.println(System.currentTimeMillis() - start );

4. 存放位置

    -  相同列族的数据存放在一个文件中
    -  [表数据的存储目录结构构成]
    -  hdfs://s201:8020/hbase/data/${名字空间}/${表名}/${区域名称}/${列族名称}/${文件名}
    -  [WAL目录结构构成]
    -  hdfs://s201:8020/hbase/WALs/${区域服务器名称,主机名,端口号,时间戳}/

• 联系zk，找出meta表所在rs(regionserver)  /hbase/meta-region-server

• 定位row key,找到对应region server

• 缓存信息在本地。

• 联系RegionServer

• HRegionServer负责open HRegion对象，为每个列族创建Store对象，Store包含多个StoreFile实例，

• 是对HFile的轻量级封装。每个Store还对应了一个MemStore，用于内存存储数据。

• hbase切割文件配置位置：

  
   hbase.hregion.max.filesize
   10737418240
   hbase-default.xml
  

• hbase集群启动时，master负责分配区域到指定区域服务器。主要是把meta放入区域服务器

1. client端交互过程

5. Zookeeper 起的作用

• 保证任何时候，集群中只有一个master

• 存贮所有Region的寻址入口——root表在哪台服务器上

• 实时监控Region Server的状态，将Region server的上线和下线信息实时通知给Master

• 存储Hbase的schema,包括有哪些table，每个table有哪些column family

6. Master职责

• 为Region server分配region

• 负责region server的负载均衡

• 发现失效的region server并重新分配其上的region

• HDFS上的垃圾文件回收

• 处理schema更新请求

• master仅仅维护者table和region的元数据信息，负载很低。

7. Region Server职责

• Region server维护Master分配给它的region，处理对这些region的IO请求

• Region server负责切分在运行过程中变得过大的region

• client访问hbase上数据的过程并不需要master参与

• 寻址访问zookeeper和region server

• 数据读写访问regione server

四.整体架构

到此，关于“spark的基础知识点整理”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！