大数据和分布式这两个概念总是会混在一起。本文主要以大数据为主题，会有意识的不谈分布式系统。或者简单的认为分布式系统是实现大数据处理绕不开的手段。

大数据的大有两个角度，一种是静态数据数据量巨大；一种是流式数据数据永无止境。

Resource 大数据必然需要大量机器资源，资源的管理调度是最基础的课题

Yarn

• resource manager
• node manager (nm节点)
• application master

yarn application -status application_9173934103802_23474815

K8s

Storing 大数据落盘的存储形式

Data Format

序列化格式: Kryo, protobuf, avro, thrift

数据格式： parquet, avro, json, orc, csv,

数据压缩： zstd, brotli, lz4, gzip, snappy, uncompressed

不同压缩方式的比较： https://blog.csdn.net/weixin_40040107/article/details/87885210

Data Lake数据存储中间Table format层

Data lake vs data warehouse， 数据湖和数据仓库的比较 数据湖的一个特点是，存储的数据没有预先设定schema，保存原始数据。 注意数据湖不是个项目，而是一个概念和思想。

数据湖想要解决的问题：

• 基于hive的离线数仓，缺乏partial update的能力，只能按分区粒度更新整个分区数据。
• 实现存储层面的流(kafka)批(hdfs)统一

具备 ACID 能力的表格式中间件:

• hudi https://github.com/apache/hudi
• iceberg https://iceberg.apache.org/
• deltalake https://github.com/delta-io/delta
• paimon https://paimon.apache.org/

Apache Hudi

Hudi 是 Uber 主导开发的开源数据湖框架. 增量模型，简单来讲，是以 mini batch 的形式来跑准实时任务。Hudi 在增量模型中支持了两个最重要的特性，

Hudi表的数据文件，可以使用操作系统的文件系统存储，也可以使用HDFS这种分布式的文件系统存储。为了后续分析性能和数据的可靠性，一般使用HDFS进行存储。

• 快速upsert，可插入索引
• 可原子操作
• 有savepoint

• 管理文件大小

• Copy-On-Write Table : 在写文件的时候就做了数据合并,因此写入数据的压力比较大, 对读数据比较友好.

• Merge-On-Read Table : 在读数据的时候合并, 写入是数据采用append的方式,适合快速写入的场景.

• preCombineField 属性用于在主键重复时合并数据。 若设置了该字段，upsert操作，有预合并， 当主键重复时，去重保留preCombineField字段最大的记录

Apache Iceberg

在不影响已存在数据使用体验的情况下支持以下特性：

• Table Schema支持add、drop、rename、update type、reorder
• Table Partition支持变更
• Table Sort Order支持变更

Apache Paimon

Storage Cache

alluxio https://github.com/Alluxio/alluxio

EVCache https://github.com/Netflix/EVCache

Streaming 大数据流动的形式

• flume - 把来自不同源头不同节点的大量数据发送到中心存储。
• kafka

kafka - http://kafka.apache.org/quickstart

• 原生版本： https://github.com/edenhill/librdkafka
• C++版本： https://github.com/mfontanini/cppkafka ， cppkafka依赖librdkafka，做了一层便于使用的封装
• Python: https://github.com/confluentinc/confluent-kafka-python

生产者和消费者以极高的速度生产/消费大量数据或产生请求，从而占用broker上的全部资源，造成网络IO饱和。有了配额（Quotas）就可以避免这些问题。Kafka支持配额管理，从而可以对Producer和Consumer的produce&fetch操作进行流量限制，防止个别业务压爆服务器。

kafka junit

ZeroMQ - 点对点消息队列

区别bootstrap server 和 broker server

Kafka生产者客户端在配置中指定的bootstrap server不可用时，会尝试重新建立连接。Kafka客户端库内部实现了重试机制，用于处理短暂的网络故障或Broker的暂时不可用情况。

当生产者尝试与bootstrap server建立连接失败时，它会在一定的重试间隔后重试。这个重试间隔通常是可以配置的（例如，通过retries和retry.backoff.ms参数）。生产者会继续尝试，直到超过配置的重试次数或者在某次尝试中成功建立连接。

然而，如果你只配置了一个bootstrap server，而这个Broker长时间不可用，那么生产者将无法发送消息。在这种情况下，消息可能会堆积在生产者端，直到Broker重新变得可用。为了避免单点故障，建议在生产环境中配置多个bootstrap servers，这样即使一个Broker宕机，生产者也可以连接到其他Broker并继续发送消息。

需要注意的是，即使配置了多个bootstrap servers，一旦生产者成功连接到一个Broker并获取了元数据，它就不再依赖于初始的bootstrap server列表，因为它会知道所有分区的领导者Broker，并直接与它们通信。bootstrap servers列表主要是用于初始连接和获取集群状态信息。

Schedule Computing 批处理任务

纯离线调度数据任务。

MR

https://www.netjstech.com/p/hadoop-framework-tutorial.html

map运行阶段分为:Read、Map、Collect、Spill、Merge五个阶段。 reduce 运行阶段分为shuflle(copy) merge sort reduce write五个阶段。

每个阶段的数据都要落磁盘，因而数据量无论多大都能搞，因此也特别慢。

Tez

本质上还是基于mr，算是对mr做了dag方向的优化

Spark

spark是怎么工作的？

• DAG scheduler
• Task Scheduler
• Worker/Slave
• transformations
  • Narrow transformation
  • Wide transformation
• driver
  • cluster mode： driver执行在yarn的application master进程内
  • client mode: driver执行在client进程中
• worker, executor

RDD - Resilient Distributed Dataset RDD lineage Lazy Evaluation shared variables - broadcast variables, accumulators

DPP机制

CodeGenerator 是干什么的？

INFO CodeGenerator: Code generated in xxx ms

• Spark Shuffle Service
• How Spark works internally
• SQL执行优化器 - Catalyst

Stream Computing 流处理任务

Storm

Spark Streaming

Flink

Graph Computing 图计算

• GraphX ：Apache 基金会基于 Spark 实现的图计算框架，社区活跃度较高。
• GraphLab: A New Framework for Parallel Machine Learning. 商业软件，不开源。已被苹果收购
• Pregel: a system for large-scale graph processing. Google 在 2009 年提出，是图计算模型的开山祖师，后续很多工作都受到它的思想影响。不开源。
• Giraph: Facebook 基于 Pregel 思想的开源实现。

OLTP && OLAP && HTAP

OLAP场景的关键特征

• 绝大多数是读请求
• 数据以相当大的批次(> 1000行)更新，而不是单行更新;或者根本没有更新。
• 已添加到数据库的数据不能修改。
• 对于读取，从数据库中提取相当多的行，但只提取列的一小部分。
• 宽表，即每个表包含着大量的列
• 查询相对较少(通常每台服务器每秒查询数百次或更少)
• 对于简单查询，允许延迟大约50毫秒
• 列中的数据相对较小：数字和短字符串(例如，每个URL 60个字节)
• 处理单个查询时需要高吞吐量(每台服务器每秒可达数十亿行)
• 事务不是必须的
• 对数据一致性要求低
• 每个查询有一个大表。除了他以外，其他的都很小。
• 查询结果明显小于源数据。换句话说，数据经过过滤或聚合，因此结果适合于单个服务器的RAM中

ES Elasticsearch

https://www.elastic.co/start 注意python客户端版本与server端版本的兼容性，我发现7和8的兼容性不好。 概念比较

• Relational DB -> Databases -> Tables -> Rows -> Columns

• Elasticsearch -> Indices -> Types -> Documents -> Fields

• get查询方案
• search查询方案
  • 等于查询 term, terms
  • 包含查询 match, multi_match, match_phrase
  • 复合查询 must都满足,should至少满足其一,must_not都不满足
  • 值范围查询 gte,lte
  • 前缀查询 prefix
  • 通配符查询 wildcard

ClickHouse

https://clickhouse.tech/

• SETTINGS storage_policy = ‘jdob_ha’;
• ENGINE = Distributed(xxx, xxx, xxx, rand());

Doris

https://doris.apache.org/master/en/

druid

https://druid.apache.org/

kylin

http://kylin.apache.org/

hologres

https://www.hologres.io/

kudu

https://kudu.apache.org/

HTAP

TiDB https://github.com/pingcap/tidb

参考

https://github.com/wangzhiwubigdata/God-Of-BigData