- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
我认为 Hadoop 的一个常见使用模式是通过从操作系统加载定期(例如每天)数据快照来构建“数据湖”。对于许多系统,每天的变化率通常小于行的 5%(即使更新了行,也只有少数字段可能发生变化)。
问:这样的历史数据如何在HDFS上进行结构化,既节省空间又高效访问。
当然,答案取决于数据的访问方式。在我们的 Hadoop 集群上:
这意味着,虽然保留历史数据很重要,但不应以严重减慢那些只想知道昨天营业结束时的数据情况的作业为代价。
我知道几个选项,但没有一个看起来很令人满意:
将每个完整转储独立存储为一个新的子目录。这是最明显的设计,简单,并且与 MapReduce 范式非常兼容。我敢肯定有些人使用这种方法,但我想知道他们如何证明存储成本的合理性?假设每天加载 1Tb,那么每年有 365Tb 添加到集群中,其中大部分是重复数据。我知道现在磁盘很便宜,但大多数预算制定者都习惯于基础设施随业务增长成比例扩展,而不是随时间线性增长。
仅存储与前一天的差异(delta)。当源系统更喜欢以 delta 的形式发送更新(一种似乎过时的思维方式)时,这是一个自然的选择从数据以 CD-ROM 形式在系统之间传递的时间开始)。它更节省空间,但更难正确处理(例如,你如何表示删除?),更糟糕的是,它意味着消费者需要扫描整个历史记录,“事件溯源”风格,以便到达在系统的当前状态下。
将行的每个版本存储一次,并附上开始日期和结束日期。以“时变数据”等术语而闻名,这种模式在数据仓库中经常出现,并且当需要存储历史值时,在关系数据库设计中更普遍。当一行发生变化时,更新以前的版本以设置“结束日期”,然后插入以今天为“开始日期”的新版本。不幸的是,这并不能很好地转化为 Hadoop 范例,在 Hadoop 范例中,仅附加数据集受到青睐,并且没有更新行的 native 概念(尽管可以通过覆盖现有数据文件来实现这种效果)。这种方法需要相当复杂的逻辑来加载数据,但不可否认,使用这种结构使用数据会非常方便。
(值得注意的是,只需要一个特别不稳定的字段每天都在变化,就可以使后面的选项降级到与选项 1 相同的空间效率)。
那么...是否有另一种选择既能节省空间又易于使用?
最佳答案
我建议采用选项 3 的变体,它尊重 HDFS 的仅追加特性。
我们保留两个不同类型的信息,而不是一个数据集,分别存储:
与选项 3 的不同之处在于,我们认为未过期的行与过期的行是不同类型的信息。
优点:与 HDFS 的仅追加性质一致。
优点:只要我们将快照保留几天(比运行最长查询所需的时间长),使用当前快照的查询就可以在添加新的一天时安全运行。
优点:使用历史记录的查询同样可以安全运行,只要它们明确给出最新“结束日期”的界限,不包括在运行时任何后续添加的过期行。
缺点:这不仅仅是每天简单的“更新”或“覆盖”。在 HDFS 的实践中,这通常需要通过复制和过滤来实现,所以这并不是一个真正的骗局。
缺点:许多查询需要结合两个数据集。为了缓解这种情况,我们可以创建 View 或类似的 View ,将两者适本地结合起来,以产生看起来与选项 3 完全一样的东西。
缺点:找到最新的快照需要找到正确的分区。每次有新快照可用时, View 都会“滚动”到最新快照,这可以缓解这种情况。
关于hadoop - 在 Hadoop HDFS 中高效存储每日转储,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44704858/
我们有数据(此时未分配)要转换/聚合/透视到 wazoo。 我在 www 上看了看,我问的所有答案都指向 hadoop 可扩展、运行便宜(没有 SQL 服务器机器和许可证)、快速(如果你有足够的数据)
这很明显,我们都同意我们可以将 HDFS + YARN + MapReduce 称为 Hadoop。但是,Hadoop 生态系统中的其他不同组合和其他产品会怎样? 例如,HDFS + YARN + S
如果 es-hadoop 只是连接到 HDFS 的 Hadoop 连接器,它如何支持 Hadoop 分析? 最佳答案 我假设您指的是 this project .在这种情况下,ES Hadoop 项目
看完this和 this论文,我决定我想在 MapReduce 上为大型数据集实现分布式体积渲染设置作为我的本科论文工作。 Hadoop 是一个合理的选择吗? Java 不会扼杀一些性能提升或使与 C
我一直在尝试查找有关如何通过命令行提交 hadoop 作业的信息。 我知道命令 - hadoop jar jar-file 主类输入输出 还有另一个命令,我正在尝试查找有关它的信息,但未能找到 - h
Hadoop 服务器在 Kubernetes 中。而Hadoop客户端位于外网。所以我尝试使用 kubernetes-service 来使用 Hadoop 服务器。但是 hadoop fs -put
有没有人遇到奇怪的环境问题,在调用 hadoop 命令时被迫使用 SU 而不是 SUDO? sudo su -c 'hadoop fs -ls /' hdfs Found 4 itemsdrwxr-x
在更改 mapred-site.xml 中的属性后,我给出了一个 tar.bz2 文件、.gz 和 tar.gz 文件作为输入。以上似乎都没有奏效。我假设这里发生的是 hadoop 作为输入读取的记录
如何在 Hadoop Pipes 中获取正在 hadoop 映射器 中执行的输入文件 名称? 我可以很容易地在基于 java 的 map reducer 中获取文件名,比如 FileSplit fil
我想使用 MapReduce 方法分析连续的数据流(通过 HTTP 访问),因此我一直在研究 Apache Hadoop。不幸的是,Hadoop 似乎期望以固定大小的输入文件开始作业,而不是能够在新数
名称节点可以执行任务吗?默认情况下,任务在集群的数据节点上执行。 最佳答案 假设您正在询问MapReduce ... 使用YARN,MapReduce任务在应用程序主数据库中执行,而不是在nameno
我有一个关系A包含 (zip-code). 我还有另一个关系B包含 (name:gender:zip-code) (x:m:1234) (y:f:1234) (z:m:1245) (s:f:1235)
我是hadoop地区的新手。您能帮我负责(k2,list[v2,v2,v2...])形式的输出(意味着将键及其所有关联值组合在一起)的责任是吗? 谢谢。 最佳答案 这是Hadoop的MapReduce
因此,我一直在尝试编写一个hadoop程序,该程序将输入作为一个包含许多文件的文件,并且我希望hadoop程序的输出仅是输入文件的一行。但是我还没有做到这一点。我也不想去 reducer 课。如果有人
我使用的输入文本文件的内容是 1 "Come 1 "Defects," 1 "I 1 "Information 1 "J" 2 "Plain 5 "Project 1
谁能告诉我以下grep命令的作用: $ bin/hadoop jar hadoop-*-examples.jar grep input output 'dfs[a-z.]+' 最佳答案 http:/
我不了解mapreducer的基本功能,mapreducer是否有助于将文件放入HDFS 或mapreducer仅有助于分析HDFS中现有文件中的内容 我对hadoop非常陌生,任何人都可以指导我理解
CopyFromLocal将从本地文件系统上载数据。 不要放会从任何文件上传数据,例如。本地FS,亚马逊S3 或仅来自本地fs ??? 最佳答案 请找到两个命令的用法。 put ======= Usa
我开始研究hadoop mapreduce。 我是Java和hadoop的初学者,并且了解hadoop mapreduce的编码,但是有兴趣了解它在云中的内部工作方式。 您能否分享一些很好的链接来说明
我一直在寻找Hadoop mapreduce类的类路径。我正在使用Hortonworks 2.2.4版沙箱。我需要这样的类路径来运行我的javac编译器: javac -cp (CLASS_PATH)
我是一名优秀的程序员,十分优秀!