하둡 완벽 가이드 12장 하이브 // HBASE, 주키퍼

12장 하이브
하둡 기반의 데이터 웨어하우징 프레임워크이다.
대용량의 데이터를 관리하고 학습하기 위해 사용되었다.
대용량의 데이터를 HDFS에 저장하고 HiveQL을 이용해서 데이터를 분석할 수 있다.
사용자가 HiveQL을 작성한 후 실행하면 하이브는 해당 쿼리를 맵리듀스의 잡으로 변환하여 하둡 클러스터에서 구동시킨다.
HDFS에 저장된 데이터와 테이블 스키가 사이에서 하이브가 매개체 역할을 한다.
테이블 스키마와 같은 메타데이터는 메타스토어에 저장된다.

RDBMS는 데이터를 적재하는 시점에 테이블의 스키마를 검증하는 반면 하이브는 쿼리가 발생할 때 데이터를 검증한다.

기본형과 복합형 데이터 타입 모두를 지원한다.
기본형: 숫자형, 불린, 문자형 등
복합형: 배열, 맵, 구조체 등

하이브 테이블은 데이터와 메타데이터로 구성되는데 데이터는 일반적으로 HDFS에 저장하고 메타데이터는 RDBMS에 저장한다.

데이터 정렬은 order by를 쓸 수 있지만 전체 정렬을 하려면 리듀서 개수가 하나여야 해서 성능이 좋지 않다.
부분 정렬로 충분하다면 sort by를 사용할 수 있다.

하이브는 맵리듀스에 비해 일반적으로 사용되는 연산을 매우 간단히 수행할 수 있다.
조인 연산 같은 경우 맵리듀스로 구현하는 것이 복잡하다.

내부조인: 두 테이블 중 모든 값이 다 맞춰지는 데이터들을 합쳐주는 것. null이 없을 것.
외부조인: 한 쪽, 혹은 양 쪽의 로우가 다 나오도록 합쳐주는 것. 빈 곳은 null로 표현.


HBase


주키퍼
하둡의 분산 상호조정 서비스.
파일을 보내고 네트워크가 끊기면 수신자가 데이터를 받았는지 조차도 알 수 없게 되는데 이것을 부분적 실패 partial failure라고 한다.
이러한 부분적 실패를 안전하게 다루면서 분산 응용 프로그램을 구축할 수 있도록 도와주는 툴을 제공한다.
주키퍼의 특성: 단순함, 다양성, 고가용성, 느슨함, 라이브러리











댓글

댓글 쓰기

이 블로그의 인기 게시물

논문 정리 - MapReduce: Simplified Data Processing on Large Clusters

Abstract 맵리듀스는 큰 데이터 셋을 다루는 프로그래밍 모델이다 . 사용자는 map 함수를 통해서 키 / 밸류 쌍을 이용하여 intermediate key/value pair 를 만들고 reduce 함수를 통해서 그 intermediate pair 들을 같은 key 별로 합쳐준다 . 많은 일들이 이런 모델을 통해 표현될 수 있다 . 이 모델은 분산 시스템이나 병렬 시스템에 대한 경험이 부족하더라도 분산 시스템의 자원을 쉽게 사용할 수 있게 해준다 . 1. introduction 데이터가 많아지면서 reasonable time 안에 작업을 끝내기 위해 수백 혹은 수천대의 기계에 분산되어야 했다 . 이 때 어떻게 연산을 병렬화하고 , 데이터를 분산하고 , 실패 작업을 어떻게 처리할지가 이슈가 되었다 . 이런 복잡한 문제들을 해결하기 위해 병렬화의 세세한 부분들은 숨기고 fault tolerance 하며 데이터를 분산시켜주고 로드 밸런싱을 해주는 라이브러리를 통해서 연산을 맵과 리듀스로 간단히 표현하도록 했다 . 2. Programming Model 사용자가 직접 만드는 맵 함수는 입력으로 key/value pairs 를 받아서 intermediate key/value pairs 를 만든다 . 그러면 intermediate key/value pairs 에 대해서 맵리듀스 라이브러리가 같은 key 별로 value 들을 묶어서 리듀스 함수로 보내준다 . 마찬가지로 사용자가 직접 만드는 리듀스 함수는 이 데이터를 받아서 key 별로 묶인 value 들을 합쳐서 표현한다 . 리듀스 함수에 전달되는 intermediate 데이터는 iterator 의 형태로 전달되기 때문에 메모리에 다 안 들어갈 정도로 큰 데이터도 처리할 수 있다 . 예를 들어서 , 어떤 문서에 있는 각 단어들이 몇 번 나왔는지 세는 프로그램을 생각해보자 . 그렇다면 맵 함수는 입력으로 < 문서 이름 , 문서 내용 > 의...
자세한 내용 보기

논문 정리 - The Google File System

The Google File System 1. Introduction 새로운 관점 component failure 은 예외가 아니라 일반적인 상황이다 . 그래서 constant monitoring, error detection, fault tolerance, automatic recovery 가 필요하다 . 파일의 크기가 커졌다 . I/O 작업이나 block 크기 등이 고려되어야 한다 . 원래 있는 데이터에 덮어쓰는 작업보다는 새로운 데이터를 추가한다 . 따라서 appending 이 성능 최적화에 중요해졌다 . 2. Design Overview 2.1 assumptions 시스템은 잘 고장나는 저렴한 장비들로 구성되어 있다 . 시스템은 큰 파일이 있다 . 작은 파일들도 있지만 optimizing 할 때는 고려하지 않는다 . 로드는 주로 큰 스트리밍 읽기와 작은 랜덤 읽기로 구성되어 있다 . 로드는 또한 파일에 데이터를 추가하는 많은 sequential write 가 있다 . 같은 파일에 여러 사용자가 동시에 데이터를 추가하는 경우도 잘 고려해야 한다 . 빠른 반응 속도 보다는 high sustained bandwidth 가 더 중요하다 . 대부분의 타겟 애플리케이션은 데이터 뭉텅이를 빠른 시간 내에 처리하는 것을 중요하게 여긴다 . 2.2 Interface 파일은 hierarchically , 디렉토리에 정렬돼있고 path name 으로 구분된다 . 또한 GFS 는 snapshot 과 record append 기능이 있다 . snapshot 은 파일이나 디렉토리 트리를 복사한다 . record append 는 다수 클라이언트가 데이터를 하나의 파일에 동시에 추가할 수 있도록 해준다 . 각 append 의 atomicity 를 보장하면서 . 2.3 Architecture 하나의 마스터와 여러개의 chunkserver 로 구성되어 있다 . 그리고 다수의...
자세한 내용 보기

kazoo: Using zookeeper api with python

``` pip3 install kazoo ``` https://kazoo.readthedocs.io/en/latest/basic_usage.html https://kazoo.readthedocs.io/en/latest/api/client.html ### 접속 ``` from kazoo.client import KazooClient zk = KazooClient(hosts='127.0.0.1:2181') zk.start() ``` 호스트에 접속할 때 default port는 2181이다. ### 상태 Listener zookeeper의 상태가 변하는 것을 알 수 있다. ``` from kazoo.client import KazooState def my_listener(state):     if state == KazooState.LOST:         # Register somewhere that the session was lost     elif state == KazooState.SUSPENDED:         # Handle being disconnected from Zookeeper     else:         # Handle being connected/reconnected to Zookeeper zk.add_listener(my_listener) ``` LOST CONNECTED SUSPENDED 의 state를 가질 수 있다. 가능한 상태 변화 - LOST -> CONNECTED - CONNECTED -> SUSPENDED - CONNECTED -> LOST - SUSPENDED -> LOST - SUSPENDED -> CONNECTED ### CRUD - `zk.create("/my/favorite/node", b"a value")` `create(path...
자세한 내용 보기