大数据-258 离线数仓 - Griffin架构 配置安装 Livy 架构设计 解压配置 Hadoop Hive

点一下关注吧！！！非常感谢！！持续更新！！！

Java篇开始了！

目前开始更新 MyBatis，一起深入浅出！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（已更完）
• Flink（已更完）
• ClickHouse（已更完）
• Kudu（已更完）
• Druid（已更完）
• Kylin（已更完）
• Elasticsearch（已更完）
• DataX（已更完）
• Tez（已更完）
• 数据挖掘（已更完）
• Prometheus（已更完）
• Grafana（已更完）
• 离线数仓（正在更新...）

章节内容

• 数据质量监控 监控方法
• Griffin架构

上节到了Griffin的编译安装 下面继续

编译安装

续接上节，上节到了 Elasticsearch

Livy

基本介绍

Livy 是一个用于 Apache Spark 的 REST 接口，旨在简化 Spark 作业的提交和管理，特别是在大数据处理场景中。它的主要功能是通过 REST API 与 Spark 集群进行交互，允许用户提交作业、执行代码片段并查询作业的状态和结果，而不需要直接与 Spark 的底层架构交互。

Livy 的一些关键功能包括：

• 简化 Spark 作业提交：用户可以通过 HTTP 请求向 Livy 发送 Spark 作业，而不需要直接使用 spark-submit命令。
• 多语言支持：Livy 支持使用不同的编程语言提交作业，包括 Python（通过 PySpark）、Scala 和 R。
• Session 管理：Livy 可以管理 Spark 会话，允许多个用户在同一集群上共享会话，并执行交互式代码片段。
• 作业状态管理：Livy 提供 API 来查看作业的状态、日志以及结果，便于跟踪和监控任务执行。
• 集成：Livy 通常与 Jupyter Notebook、Zeppelin 等工具集成，以便用户可以在这些环境中使用 Spark 集群执行代码。

配置计划

我们的Spark是集群三台节点配置的，但是Livy可以不用配置集群，我们计划在主节点上进行配置：

h121.wzk.icu

解压配置

cd /opt/software
unzip livy-0.5.0-incubating-bin.zip

mv livy-0.5.0-incubating-bin/ ../servers/livy-0.5.0

处理结果如下图所示：

环境变量

# 设置环境变量
vim /etc/profile

# 设置完之后 记得刷新
source /etc/profile

写入内容如下：

export LIVY_HOME=/opt/servers/livy-0.5.0
export PATH=$PATH:$LIVY_HOME/bin

对应的内容如下所示：

修改配置

mv $LIVY_HOME/conf/livy.conf.template $LIVY_HOME/conf/livy.conf
vim $LIVY_HOME/conf/livy.conf

修改内容如下：

livy.server.host = 0.0.0.0
livy.spark.master = yarn
livy.spark.deployMode = cluster
livy.repl.enable-hive-context = true

修改内容如下所示：

修改配置文件

mv $LIVY_HOME/conf/livy-env.sh.template $LIVY_HOME/conf/livy-env.sh
vim $LIVY_HOME/conf/livy-env.sh

写入内容如下所示：

export SPARK_HOME=/opt/servers/spark-2.4.5
export HADOOP_HOME=/opt/servers/hadoop-2.9.2/
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

写入内容如下所示：

启动服务

cd /opt/servers/livy-0.5.0
mkdir logs
nohup $LIVY_HOME/bin/livy-server &

Griffin

前置介绍

"Griffin"是一个大数据领域的开源项目，特别是在分布式流处理和大数据系统的管理中具有一定的影响力。它最早由LinkedIn开发，用于处理大规模数据流。Griffin的设计目标是简化和自动化流数据处理和监控工作，使得在大数据应用中能够高效地处理实时数据流，同时提升数据的可追溯性和可靠性。

随着大数据技术的发展，实时流处理（如Apache Kafka、Apache Flink等）在许多应用场景中扮演着越来越重要的角色。处理这些流数据时，不仅需要确保高效的计算和数据吞吐量，还要实现数据的可追溯性和监控。为了应对这些挑战，Griffin应运而生，致力于提供一个高效、可扩展的解决方案，尤其是在数据质量监控和流处理作业的管理方面。

Griffin的目标包括：

• 数据质量控制： 自动化数据质量检查，确保流数据的准确性和完整性。
• 流处理作业管理： 对流处理作业进行有效的调度和监控，及时发现异常。
• 数据管道的透明度： 提供对数据流动过程的清晰视图，便于追踪和排查问题。
• 实时数据处理： 结合流处理系统，如Apache Kafka和Apache Flink，优化数据处理效率。

主要功能

Griffin的功能集中在数据质量控制和流处理管理上，以下是其一些核心功能：

• 数据质量监控： Griffin可以实时监控数据流中的各种质量问题，如数据丢失、重复、格式错误等，并生成报告或警告。这对于需要高质量数据的实时分析和决策过程尤为重要。
• 流数据治理： 它帮助管理数据流动的每个环节，确保数据在处理过程中符合质量要求，减少因数据问题导致的错误和偏差。
• 作业调度和监控： 对流处理作业进行调度，实时监控其状态和性能。它能够识别系统中可能的瓶颈，保证流处理任务的高效执行。
• 数据追溯： 在数据出现问题时，Griffin提供对数据来源的追溯功能，帮助用户快速定位问题的根源，确保数据的透明度和可追溯性。

架构设计

Griffin的架构通常包括以下几个组件：

• 数据接入层： 负责从数据源接入数据流。常见的数据源包括Apache Kafka、Apache Flink等流处理系统。
• 数据处理层： 对数据进行质量检查和流处理操作。该层可能包括数据清洗、校验等操作，确保流数据符合预期的质量标准。
• 监控和告警层： 提供流处理作业的监控和告警机制，及时发现问题并通知管理员。
• 数据存储和可视化层： 存储分析结果和质量报告，并通过可视化界面展示给用户，帮助用户理解数据流的状况。

解压配置

软件解压缩：(这里我是在 h122 节点)

cd /opt/software
unzip griffin-griffin-0.5.0.zip

mv griffin-griffin-0.5.0/ ../servers/griffin-0.5.0/
cd ../servers/griffin-0.5.0

运行结果如下图所示：

SQL初始化

在MySQL中创建数据库quartz，并初始化

# SQL 文件如下
/opt/servers/griffin-0.5.0/service/src/main/resources/Init_quartz_mysql_innodb.sql

备注：要做简单的修改，主要是增加 use quartz;

vim /opt/servers/griffin-0.5.0/service/src/main/resources/Init_quartz_mysql_innodb.sql
# 写入 
use quartz;

执行如下的结果：

创建数据库

# 在MySQL中执行
# mysql中执行创建数据库
create database quartz;

执行结果如下：

运行SQL文件：

# 在外部执行
# 命令行执行，创建表
cd /opt/servers/griffin-0.5.0/service/src/main/resources/
mysql -uhive -phive@wzk.icu < Init_quartz_mysql_innodb.sql

执行结果可以连上数据库查看：

Hadoop 和 Hive

在HDFS上创建 /spark/spark_conf目录，并将Hive的配置文件hive-site.xml上传到该目录下

hdfs dfs -mkdir -p /spark/spark_conf
hdfs dfs -put $HIVE_HOME/conf/hive-site.xml /spark/spark_conf/

执行结果如下所示：

• 备注：将安装Griffin所在的节点上的hive-site.xml文件，上传到HDFS对应目录中

环境变量

确认如下的必要环境变量都配置完毕：

JAVA_HOME
SPARK_HOME
LIVY_HOME
HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop