Question

我正在使用Hadoop / Spark进行一些信号分析，我需要有关如何构建整个过程的帮助。

信号现在存储在数据库中，我们将使用Sqoop读取，并将在HDFS上的文件中进行转换，其架构类似于：

<Measure ID> <Source ID> <Measure timestamp> <Signal values>

其中信号值只是由浮点逗号分隔的数字组成的字符串。

000123  S001  2015/04/22T10:00:00.000Z  0.0,1.0,200.0,30.0 ... 100.0
000124  S001  2015/04/22T10:05:23.245Z  0.0,4.0,250.0,35.0 ... 10.0
...
000126  S003  2015/04/22T16:00:00.034Z  0.0,0.0,200.0,00.0 ... 600.0

我们希望将交互式/批量查询写入：

将聚合函数应用于信号值

SELECT *
FROM SIGNALS
WHERE MAX(VALUES) > 1000.0

选择峰值超过1000.0的信号。

将汇总应用于汇总

SELECT SOURCEID, MAX(VALUES) 
FROM SIGNALS
GROUP BY SOURCEID
HAVING MAX(MAX(VALUES)) > 1500.0

选择至少有一个信号超过1500.0的信号源。

在样本上应用用户定义的函数

SELECT *
FROM SIGNALS
WHERE MAX(LOW_BAND_FILTER("5.0 KHz", VALUES)) > 100.0)

选择以5.0 KHz过滤后的信号至少具有超过100.0的值。

我们需要一些帮助才能：

找到正确的文件格式，在HDFS上写入信号数据。我想到了Apache Parquet。你将如何构建数据？
了解正确的数据分析方法：最好创建不同的数据集（例如，使用Spark处理数据并在HDFS上保留结果）或尝试在查询时从原始数据集执行所有操作？
Hive是一个很好的工具来查询我写的那些查询吗？我们在Cloudera Enterprise Hadoop上运行，因此我们也可以使用Impala。
如果我们从原始数据集生成不同的派生数据集，我们如何跟踪数据的谱系，即知道如何从原始版本生成数据？

非常感谢！

Answer 1

1）Parquet作为柱状格式适用于OLAP。 Parquet的Spark支持已经足够成熟，可供生产使用。我建议将表示信号值的字符串解析为以下数据结构（简化）：

 case class Data(id: Long, signals: Array[Double])
 val df = sqlContext.createDataFrame(Seq(Data(1L, Array(1.0, 1.0, 2.0)), Data(2L, Array(3.0, 5.0)), Data(2L, Array(1.5, 7.0, 8.0))))

保持double数组允许定义和使用这样的UDF：

def maxV(arr: mutable.WrappedArray[Double]) = arr.max
sqlContext.udf.register("maxVal", maxV _)
df.registerTempTable("table")

sqlContext.sql("select * from table where maxVal(signals) > 2.1").show()
+---+---------------+
| id|        signals|
+---+---------------+
|  2|     [3.0, 5.0]|
|  2|[1.5, 7.0, 8.0]|
+---+---------------+

sqlContext.sql("select id, max(maxVal(signals)) as maxSignal from table group by id having maxSignal > 1.5").show()
+---+---------+
| id|maxSignal|
+---+---------+
|  1|      2.0|
|  2|      8.0|
+---+---------+

或者，如果你想要一些类型安全，使用Scala DSL：

import org.apache.spark.sql.functions._
val maxVal = udf(maxV _)
df.select("*").where(maxVal($"signals") > 2.1).show()
df.select($"id", maxVal($"signals") as "maxSignal").groupBy($"id").agg(max($"maxSignal")).where(max($"maxSignal") > 2.1).show()
+---+--------------+
| id|max(maxSignal)|
+---+--------------+
|  2|           8.0|
+---+--------------+

2）这取决于：如果您的数据大小允许在查询时间内以合理的延迟进行所有处理 - 那就去做吧。您可以从这种方法开始，然后为慢速/热门查询构建优化的结构

3）Hive很慢，Impala和Spark SQL已经过时了。有时选择并不容易，我们使用经验法则：如果所有数据都存储在HDFS / Hive中，Impala适用于没有连接的查询，Spark具有更大的延迟但连接可靠，它支持更多数据源并具有丰富的非SQL处理功能（如MLlib和GraphX）

4）保持简单：存储原始数据（主数据集）去重复和分区（我们使用基于时间的分区）。如果新数据到达分区并且您已经生成了下游数据集 - 请重新启动此分区的管道。

希望这有帮助

Answer 2

首先，我相信Vitaliy的方法在各个方面都非常好。（我全都是Spark）

但是，我想提出另一种方法。原因是：

我们想做交互式查询（+我们有CDH）
数据已经过结构化
需要分析＆＃39;并没有完全处理＆＃39;的数据。如果（a）数据结构化，我们可以更快地形成SQL查询，并且（b）我们不想在每次想要运行查询时编写程序，那么Spark可能是一种过度杀伤

以下是我想要采取的步骤：

使用sqoop进行HDFS摄取：[可选]使用--as-parquetfile
根据需要创建外部Impala表或内部表。如果您尚未将文件作为镶木地板文件传输，则可以在此步骤中执行此操作。分区，最好是Source ID，因为我们的分组将在该列上发生。

所以，基本上，一旦我们传输了数据，我们需要做的就是创建一个Impala表，最好采用镶木地板格式，并按照我们将要用于分组的列进行分区。记得在加载后进行计算统计，以帮助Impala更快地运行它。

移动数据： - 如果我们需要从结果中生成Feed，请创建一个单独的文件 - 如果另一个系统要更新现有数据，则在创建＆gt;加载表时将数据移动到其他位置 - 如果它仅涉及查询和分析并获取报告（即外部表格就足够了），我们不需要不必要地移动数据 - 我们可以在相同数据的基础上创建外部配置单元表。如果我们需要运行长时间运行的批处理查询，我们可以使用Hive。不过，这对于交互式查询来说是禁忌。如果我们从查询中创建任何派生表并希望通过Impala使用，请记住运行“使元数据无效”＃39;在对hive生成的表运行impala查询之前

血统 - 我没有深入研究它，这里是link on Impala lineage using Cloudera Navigator

大数据信号分析：更好的存储和查询信号数据的方法

2 个答案: