Hadoop的相關資料

1 HDFS

1.1 概念

Hadoop分布式文件系統(HDFS)被設計成適合運行在通用硬件(commodity hardware)上的分布式文件系統

1.2 特點

- 高度容錯性

- 硬件要求低

- 能提供高吞吐量的數據訪問

1.3 文件系統命令行

1.3.1 獲取幫助

hadoop fs -help

1.3.2 ls命令

hadoop fs -ls /
hadoop fs -ls -R /user

1.3.3 getconf命令

 hdfs getconf -help
hdfs getconf -namenodes

1.3.4 版本信息

hdfs version

注：由于與linux系統指令用法接近，詳細請參閱文后的官方鏈接。

2 MapReduce

2.1 MapReduce的簡介

MapReduce是一種編程模型，用于大規模數據集（大于1TB）的并行運算。

2.2 工作原理

假若一個盤子中有黑豆、黃豆、綠豆、紅豆，你現在想挑出其中的紅豆。

MapReduce方法則是：

step1 找一個團隊來處理（相當于一群服務器組成的集群）

step2 把豆子平均分配給團隊里的每成員（相當于給群集中的服務器分配數據）

step3 讓團隊的成員開始挑選出其中的紅豆（相當于群集的計算機并行地處理數據）

step4 把團隊成員挑出來的豆子匯聚（相當于群集匯總并輸出結果）

3 Hive

3.1 Hive的簡介

3.1.1 概念

Hive是一個基于Hadoop的數據倉庫平臺。

3.1.2 Hive的作用

通過hive，我們可以方便地進行ETL的工作

hive定義了一個類似于SQL的查詢語言

HQL能夠將用戶編寫的QL轉化為相應的Mapreduce程序基于Hadoop執行

3.1.3 Hive項目的歷史

Hive是Facebook 2008年8月剛開源的一個數據倉庫框架，其系統目標與Pig有相似之處，但它有一些Pig目前還不支持的機制。

比如：更豐富的類型系統、更類似SQL的查詢語言、Table/Partition元數據的持久化等。

4 impala

4.1 Impala的簡介

Impala 是 Cloudera 在受到 Google 的 Dremel 啟發下開發的實時交互 SQL 大數據查詢工具，Impala 沒有再使用緩慢的 Hive+MapReduce 批處理，而是通過使用與商用并行關系數據庫中類似的分布式查詢引擎（由 Query Planner、Query Coordinator 和 Query Exec Engine 三部分組成），可以直接從 HDFS 或 HBase 中用 SELECT、JOIN 和統計函數查詢數據，從而大大降低了延遲。

4.2 Impala的shell

4.2.1 啟動shell

impala-shell

4.2.2 版本查詢

select version();

4.3 庫的操作

4.3.1 查詢數據庫

show databases;

4.3.2 創建數據庫

create database testdb;
create database testdb2;

數據庫存儲路徑：

hdfs dfs -ls /user/hive/warehouse/

4.3.3 使用數據庫

use testdb;

4.3.4 顯示當前數據庫

select current_database();

4.3.5 刪除數據庫

drop database testdb;

4.4 表操作

4.4.1 創建表

create table t1 (x int);
create table t3 (id int, word string);
create table city (id int,name string,countrycode string,district string,population int);

4.4.2 顯示數據庫中的表

show tables;
show tables in testdb;
show tables in testdb like 't*';

4.4.3 表結構描述

 describe city;

4.4.4 修改表名稱

alter table t3 rename to t2;

4.4.5 插入數據

insert into t1 values (1),(3),(2),(4);
insert into t2 values (1, "one"), (3, "three"), (5, 'five');

4.4.6 數據查詢

select min(x), max(x), sum(x), avg(x) from t1;
select word from t1 join t2 on (t1.x = t2.id);

5 sentry

5.1 開啟權限

5.1.1 開啟權限

Hive/Impala > Configuration > Service-Wide > Sentry Service > 選擇“sentry”

5.1.2 指定認證服務器

Hive > Configuration > Service-Wide > Advanced > Server Name for Sentry Authorization(hive.sentry.server) > 填寫sentry服務器名稱或IP地址

5.1.3 設置特權用戶

Hive > Configuration > Service-Wide > Security > Bypass Sentry Authorization Users(sentry.metastore.service.users) > 填寫繞過的linux用戶名（hive,impala,hue,hdfs等）

5.1.4 配置Hive的代理用戶

HDFS > Configuration > Service-Wide > Proxy > Hive Proxy User Groups（hadoop.proxyuser.hive.groups） > 填寫代理的linux用戶名（hive,impala,hue,hdfs等）

5.1.5 重啟服務

重啟Hive/Impala的服務

5.2 授權

5.2.1 創建數據庫用戶和組

groupadd gp1
useradd user1 -G gp1
useradd user2 -G gp1

5.2.2 切換執行用戶

su - impala

5.2.3 創建數據庫

切換到hive shell

hive

新建庫

create database testdb;

退出hive shell

quit;

5.2.4 創建角色

切換到impala shell

impala-shell

創建角色

create role ro1;

5.2.5 確認創建的角色

show roles;

5.2.6 用戶組和角色的關聯

grant role ro1 to group gp1;

5.2.7 角色授權

grant all on database testdb to role ro1;

參閱資料：

==================================================

Docs:

----------------

http://hadoop.apache.org/docs/current/

Hadoop Common Guide:

---------------------

http://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/HDFSCommands.html

File System Shell Guide:

http://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-common/FileSystemShell.html#Overview

MapReduce Common Guide:

------------------------

http://hadoop.apache.org/docs/current/hadoop-mapreduce-client/hadoop-mapreduce-client-core/MapredCommands.html

Hive Docs

-------------------------

http://hive.apache.org

LanguageManual:

https://cwiki.apache.org/confluence/display/Hive/LanguageManual

GettingStarted:

https://cwiki.apache.org/confluence/display/Hive/GettingStarted

User Documentation:

https://cwiki.apache.org/confluence/display/Hive/Home#Home-UserDocumentation

Impala Docs

--------------------------

Impala SQL

http://www.cloudera.com/documentation/enterprise/5-6-x/topics/impala_langref_sql.html#langref_sql

Impala Tutorials

http://www.cloudera.com/documentation/enterprise/latest/topics/impala_tutorial.html

Impala Explore

http://www.cloudera.com/documentation/enterprise/latest/topics/impala_tutorial.html#tutorial_explore

Sentry Docs

----------------------------------

Overview of Impala Security

http://www.cloudera.com/documentation/enterprise/5-7-x/topics/impala_security.html#security

Enabling Sentry Authorization for Impala

http://www.cloudera.com/documentation/enterprise/5-7-x/topics/impala_authorization.html#authorization

Impala Grant

http://www.cloudera.com/documentation/enterprise/5-6-x/topics/impala_grant.html#grant

Hive Grant

http://www.cloudera.com/documentation/enterprise/5-6-x/topics/sg_hive_sql.html#concept_c2q_4qx_p4__col_level_auth_sentry

Disabling Hive CLI

http://www.cloudera.com/documentation/enterprise/5-6-x/topics/sg_sentry_overview.html

======================================

其他參考：

======================================

ETL的概念：

----------

http://www.cnblogs.com/elaron/archive/2012/04/09/2438372.html

Apache Sentry架構介紹

http://blog.javachen.com/2015/04/29/apache-sentry-architecture.html

啟用Kerberos認證

http://www.cloudera.com/documentation/enterprise/latest/topics/cm_sg_intro_kerb.html#xd_583c10bfdbd326ba--6eed2fb8-14349d04bee--76dd

Impala的架構介紹

http://www.mutouxiaogui.cn/blog/?p=319