Hadoop的相关资料

1 HDFS

1.1 概念

Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统

1.2 特点

- 高度容错性

- 硬件要求低

- 能提供高吞吐量的数据访问

1.3 文件系统命令行

1.3.1 获取帮助

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：由于与linux系统指令用法接近，详细请参阅文后的官方链接。

2 MapReduce

2.1 MapReduce的简介

MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。

2.2 工作原理

假若一个盘子中有黑豆、黄豆、绿豆、红豆，你现在想挑出其中的红豆。

MapReduce方法则是：

step1 找一个团队来处理（相当于一群服务器组成的集群）

step2 把豆子平均分配给团队里的每成员（相当于给群集中的服务器分配数据）

step3 让团队的成员开始挑选出其中的红豆（相当于群集的计算机并行地处理数据）

step4 把团队成员挑出来的豆子汇聚（相当于群集汇总并输出结果）

3 Hive

3.1 Hive的简介

3.1.1 概念

Hive是一个基于Hadoop的数据仓库平台。

3.1.2 Hive的作用

通过hive，我们可以方便地进行ETL的工作

hive定义了一个类似于SQL的查询语言

HQL能够将用户编写的QL转化为相应的Mapreduce程序基于Hadoop执行

3.1.3 Hive项目的历史

Hive是Facebook 2008年8月刚开源的一个数据仓库框架，其系统目标与Pig有相似之处，但它有一些Pig目前还不支持的机制。

比如：更丰富的类型系统、更类似SQL的查询语言、Table/Partition元数据的持久化等。

4 impala

4.1 Impala的简介

Impala 是 Cloudera 在受到 Google 的 Dremel 启发下开发的实时交互 SQL 大数据查询工具，Impala 没有再使用缓慢的 Hive+MapReduce 批处理，而是通过使用与商用并行关系数据库中类似的分布式查询引擎（由 Query Planner、Query Coordinator 和 Query Exec Engine 三部分组成），可以直接从 HDFS 或 HBase 中用 SELECT、JOIN 和统计函数查询数据，从而大大降低了延迟。

4.2 Impala的shell

4.2.1 启动shell

impala-shell

4.2.2 版本查询

select version();

4.3 库的操作

4.3.1 查询数据库

show databases;

4.3.2 创建数据库

create database testdb;
create database testdb2;

数据库存储路径：

hdfs dfs -ls /user/hive/warehouse/

4.3.3 使用数据库

use testdb;

4.3.4 显示当前数据库

select current_database();

4.3.5 删除数据库

drop database testdb;

4.4 表操作

4.4.1 创建表

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 显示数据库中的表

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

4.4.3 表结构描述

 describe city;

4.4.4 修改表名称

alter table t3 rename to t2;

4.4.5 插入数据

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

4.4.6 数据查询

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 开启权限

5.1.1 开启权限

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

5.1.2 指定认证服务器

Hive > Configuration > Service-Wide > Advanced > Server Name for Sentry Authorization(hive.sentry.server) > 填写sentry服务器名称或IP地址

5.1.3 设置特权用户

Hive > Configuration > Service-Wide > Security > Bypass Sentry Authorization Users(sentry.metastore.service.users) > 填写绕过的linux用户名（hive,impala,hue,hdfs等）

5.1.4 配置Hive的代理用户

HDFS > Configuration > Service-Wide > Proxy > Hive Proxy User Groups（hadoop.proxyuser.hive.groups） > 填写代理的linux用户名（hive,impala,hue,hdfs等）

5.1.5 重启服务

重启Hive/Impala的服务

5.2 授权

5.2.1 创建数据库用户和组

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

5.2.2 切换执行用户

su - impala

5.2.3 创建数据库

切换到hive shell

hive

新建库

create database testdb;

退出hive shell

quit;

5.2.4 创建角色

切换到impala shell

impala-shell

创建角色

create role ro1;

5.2.5 确认创建的角色

show roles;

5.2.6 用户组和角色的关联

grant role ro1 to group gp1;

5.2.7 角色授权

grant all on database testdb to role ro1;

参阅资料：

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

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

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

其他参考：

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

ETL的概念：

----------

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

Apache Sentry架构介绍

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

启用Kerberos认证

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

Impala的架构介绍

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