hadoop - 大数据信号分析 : better way to store and query signal data

Question

我要使用 Hadoop/Spark 进行一些信号分析，我需要有关如何构建整个过程的帮助。

信号现在存储在数据库中，我们将使用 Sqoop 读取它，并将转换为 HDFS 上的文件，其模式类似于:

<Measure ID> <Source ID> <Measure timestamp> <Signal values>

其中信号值只是由浮点逗号分隔的数字组成的字符串。

000123  S001  2015/04/22T10:00:00.000Z  0.0,1.0,200.0,30.0 ... 100.0
000124  S001  2015/04/22T10:05:23.245Z  0.0,4.0,250.0,35.0 ... 10.0
...
000126  S003  2015/04/22T16:00:00.034Z  0.0,0.0,200.0,00.0 ... 600.0

我们想编写交互式/批量查询:

对信号值应用聚合函数

SELECT *
FROM SIGNALS
WHERE MAX(VALUES) > 1000.0

选择峰值超过 1000.0 的信号。

在聚合上应用聚合

SELECT SOURCEID, MAX(VALUES) 
FROM SIGNALS
GROUP BY SOURCEID
HAVING MAX(MAX(VALUES)) > 1500.0

选择至少有一个信号超过 1500.0 的信号源。

在样本上应用用户定义的函数

SELECT *
FROM SIGNALS
WHERE MAX(LOW_BAND_FILTER("5.0 KHz", VALUES)) > 100.0)

选择经过 5.0 KHz 滤波后的值至少超过 100.0 的信号。

我们需要一些帮助，以便:

1. 找到正确的文件格式，将信号数据写入 HDFS。我想到了 Apache Parquet。您将如何构建数据？
2. 了解正确的数据分析方法:是创建不同的数据集(例如，使用 Spark 处理数据并将结果保存在 HDFS 上)更好，还是尝试在查询时从原始数据集执行所有操作？
3. Hive 是一个很好的工具来查询我写的那些吗？我们在 Cloudera Enterprise Hadoop 上运行，因此我们也可以使用 Impala。
4. 如果我们生成与原始数据集不同的派生数据集，我们如何跟踪数据的沿袭，即知道数据是如何从原始版本生成的？

非常感谢!

Answer 1

1) 作为柱状格式的 Parquet 适用于 OLAP。 Parquet 的 Spark 支持已经足够成熟，可以用于生产。我建议将表示信号值的字符串解析为以下数据结构(简化):

 case class Data(id: Long, signals: Array[Double])
 val df = sqlContext.createDataFrame(Seq(Data(1L, Array(1.0, 1.0, 2.0)), Data(2L, Array(3.0, 5.0)), Data(2L, Array(1.5, 7.0, 8.0))))

保留 double 组允许定义和使用像这样的 UDF:

def maxV(arr: mutable.WrappedArray[Double]) = arr.max
sqlContext.udf.register("maxVal", maxV _)
df.registerTempTable("table")

sqlContext.sql("select * from table where maxVal(signals) > 2.1").show()
+---+---------------+
| id|        signals|
+---+---------------+
|  2|     [3.0, 5.0]|
|  2|[1.5, 7.0, 8.0]|
+---+---------------+

sqlContext.sql("select id, max(maxVal(signals)) as maxSignal from table group by id having maxSignal > 1.5").show()
+---+---------+
| id|maxSignal|
+---+---------+
|  1|      2.0|
|  2|      8.0|
+---+---------+

或者，如果你想要一些类型安全，使用 Scala DSL:

import org.apache.spark.sql.functions._
val maxVal = udf(maxV _)
df.select("*").where(maxVal($"signals") > 2.1).show()
df.select($"id", maxVal($"signals") as "maxSignal").groupBy($"id").agg(max($"maxSignal")).where(max($"maxSignal") > 2.1).show()
+---+--------------+
| id|max(maxSignal)|
+---+--------------+
|  2|           8.0|
+---+--------------+

2) 这取决于:如果您的数据大小允许以合理的延迟在查询时间内完成所有处理 - 那就去做吧。您可以从这种方法开始，稍后为慢速/流行查询构建优化结构

3) Hive 很慢，Impala 和 Spark SQL 已经过时了。有时选择并不容易，我们使用经验法则:如果您的所有数据都存储在 HDFS/Hive 中，Impala 适用于没有连接的查询，Spark 具有更大的延迟但连接可靠，它支持更多数据源并具有丰富的非 SQL 处理功能(如 MLlib 和 GraphX)

4) 保持简单:存储您的原始数据(主数据集)去重和分区(我们使用基于时间的分区)。如果新数据到达分区并且您已经生成了下游数据集 - 重新启动该分区的管道。

希望对你有帮助