顺序和随机读 - 超大数据规模 - 易扩展,容错率高## HDFS 在字节跳动的发展字节跳动已经应用 HDFS 非常长的时间了。经历了 9 年的发展,目前已直接支持了十多种数据平台,间接支持了上百种业务发展。从集群规模和数据量来说,HDFS 平台在公司内部已经成长为总数十万台级别服务器的大平台,支持了 10 EB 级别的数据量。**当前在字节跳动,** **HDFS** **承载的主要业务如下:**- Hive,HBase,日志服务,Kafka 数据存储 -...
> 本文结构采用宏观着眼,微观入手,从整体到细节的方式剖析 Hive SQL 底层原理。第一节先介绍 Hive 底层的整体执行流程,然后第二节介绍执行流程中的 SQL 编译成 MapReduce 的过程,第三节剖析 SQL 编译成 MapReduce 的具体实现原理。### 一、HiveHive是什么?Hive 是数据仓库工具,再具体点就是一个 SQL 解析引擎,因为它即不负责存储数据,也不负责计算数据,只负责解析 SQL,记录元数据。Hive直接访问存储在 HDFS 中或者 HBase ...
开始学习Linux命令和系统基本概念。然后分别学习Java、Python以及Scala这几种在大数据开发中常用的编程语言。然后着重学习Hadoop核心技术如HDFS和MapReduce;接触数据库Hive后,学习数据流技术Kafka和分布式协调服务Zookeeper。深入研究Yarn和求执行引擎Spark。此外还了解其他技术如HBase、Sqoop等。同时学习计算机网络知识和操作系统原理。后面再系统学习关系数据库MySQL和数据仓库理论。学习分布式原理和架构也很重要。这个学习...
# **背景**## **现状**HDFS 全称是 Hadoop Distributed File System,其本身是 Apache Hadoop 项目的一个模块,作为大数据存储的基石提供高吞吐的海量数据存储能力。自从 2006 年 4 月份发布以来,HDFS 目前依然有... **元数据** **管理**:即 NameNode,负责集群的元数据管理,包括目录树和数据块的位置信息。为了解决元数据膨胀问题,社区提供了 Federation 的功能,引入了 NameService 的概念,简单地说,每一个 NameService 提供一...
环境信息 系统环境版本 环境 OS veLinux(Debian 10兼容版) Python2 2.7.16 Python3 3.7.3 Java ByteOpenJDK 1.8.0_352 应用程序版本 Hadoop集群 HBase集群 HDFS 2.10.2 2.10.2 YARN 2.10.2 2.10.2 MapReduce2 2.10.2 2.10.2 Hive 2.3.9 - Spark 2.4.8 - Tez 0.10.1 - Knox 1.5.0 1.5.0 Openldap 2.5.13 2.5.13 Zookeeper 3.7.0 3.7.0 Ossa 1.0.0 - HBase 1.6.0 1.6.0 Flink 1.16.1 - Presto 0.280 - Trino 412 - DolphinSchedule...
本文将为您介绍Spark支持弹性分布式数据集(RDD)、Spark SQL、PySpark和数据库表的基础操作示例。 1 使用前提已创建E-MapReduce(简称“EMR”)集群,详见:创建集群。 2 RDD基础操作Spark围绕着 RDD 的概念展开,RDD是可以并行操作的元素的容错集合。Spark支持通过集合来创建RDD和通过外部数据集构建RDD两种方式来创建RDD。例如,共享文件系统、HDFS、HBase或任何提供Hadoop InputFormat的数据集。 2.1 创建RDD示例:通过集合来创建RDD ...
目前支持的集群类型和服务如下表所示: 分析场景 集群类型 服务 默认启用 Ranger 鉴权 数据湖 Hadoop HDFS ✅ YARN ✅ Hive ✅ Spark ✅ Presto Trino 实时计算 Kafka Kafka ✅ 交互式分析 Presto HDFS Hive Presto ✅ Trino HDFS Hive Trino ✅ NoSQL 数据库 HBase HDFS HBase ✅ 2 使用限制为保证权限管理模块功能的正常使用,您需要在集群的安全组中为 100.64.0.0/10 IP 段开放 8080 端口。操作详见添加安全组访问规则...
查看服务概述信息在集群详情页,点击 服务列表 查看已开通的服务,并选择需要查看概述信息的服务,单击 服务名称 进入服务详情。 在 服务概述 页面会展示该服务的运行情况的概述信息,概述信息分为文字指标信息和图表指标信息两种。(服务概述功能现支持以下服务:HDFS、Hive、YARN、HBase、Kafka、Presto、Trino、Ranger) 文字指标显示服务组件此刻的状态。 图表指标显示服务组件在过去一段时间内的状态,点击可切换查看信息的时间段...
本文介绍 HBase 实例中支持自定义的参数的相关信息。 注意事项部分参数修改后实例会自动重启,新参数值在实例重启完成后才能生效。实例重启会造成连接中断,建议在业务低峰期修改相关参数,并确保业务具备重连机制。修改参数值的方法,请参见修改实例参数。 参数支持表参数 是否需要重启 取值范围 默认值 取值类型 单位 说明 hbase.ipc.server.callqueue.read.ratio 是 0~1 0 Float 无 设置 RPC 队列中读请求占总请求的比例。 hbase....
环境信息版本 环境 OS veLinux(Debian 10兼容版) Python2 2.7.16 Python3 3.10.13 Java ByteOpenJDK 1.8.0_352 系统环境应用程序版本 Hadoop集群 Flink集群 Kafka集群 Pulsar集群 Presto集群 Trino集群 HBase集群 Doris集群 StarRocks集群 HDFS 3.3.4 3.3.4 - - 3.3.4 3.3.4 3.3.4 - - YARN 3.3.4 3.3.4 - - - - 3.3.4 - - MapReduce2 3.3.4 3.3.4 - - - - 3.3.4 - - Hive 3.1.3 - - - 3.1.3 3.1.3 - - - Spark 3.5.1 - - - - - ...
HDFS 作为业界使用最广泛的开源分布式文件系统,具有高容量、高吞吐的特点,经常用于大规模数据应用。HDFS 数据源为您提供可视化读和实时写入 HDFS 的数据集成通道能力,实现和不同数据源之间进行数据传输。本文将为您介绍 DataSail 对 HDFS 数据同步能力的支持情况。 1 支持的版本支持火山引擎 E-MapReduce(EMR)Hadoop 集群类型数据源。 其余连接串形式的 HDFS 数据源支持以下版本:Hadoop 2.7 Hadoop 3.1 Hadoop 3.2 2 使用限制子...
> 本文结构采用宏观着眼,微观入手,从整体到细节的方式剖析 Hive SQL 底层原理。第一节先介绍 Hive 底层的整体执行流程,然后第二节介绍执行流程中的 SQL 编译成 MapReduce 的过程,第三节剖析 SQL 编译成 MapReduce 的具体实现原理。### 一、HiveHive是什么?Hive 是数据仓库工具,再具体点就是一个 SQL 解析引擎,因为它即不负责存储数据,也不负责计算数据,只负责解析 SQL,记录元数据。Hive直接访问存储在 HDFS 中或者 HBase ...
环境信息 系统环境版本 环境 OS veLinux(Debian 10兼容版) Python2 2.7.16 Python3 3.7.3 Java ByteOpenJDK 1.8.0_352 应用程序版本 Hadoop集群 HBase集群 Flume 1.9.0 - OpenLDAP 2.4.58 2.4.58 Ranger 1.2.0 - ZooKeeper 3.7.0 3.7.0 Flink 1.15.1 - HDFS 2.10.2 2.10.2 MapReduce2 2.10.2 - YARN 2.10.2 - Airflow 2.4.2 - Hive 2.3.9 - Hue 4.9.0 - Knox 1.5.0 - Presto 0.267 - Trino 392 - Spark 2.4.8 - Sqoop 1.4.7 - Te...