【CDH】CDH大数据平台实施经验总结

1. 平台规划注意事项

1.1 业务数据全部存储在上面，所以的存储空间必须足够大，且每个的存储空间尽量保持一致。

1.2 管理节点/对存储空间要求不高，主要存储各计算节点的元数据信息，以3个为例，每个存储2T的数据，才耗费80G的空间。

1.3 由于有数据副本机制，默认为3个副本，因此节点，系统盘做raid 1，数据盘做raid 0；做raid 5,不管系统盘还是数据盘，都可以直接更换，保证数据不丢失；

1.4 计算节点依靠的是数量优势，除了存储空间足够大之外，对机器配置要求不高，但是安装spark和的话对内存的要求较高，单节点2T的数据配置64G的单机内存有点吃力。

1.5 但是要跟所有的交互，接收处理各种请求，对机器配置要求较高，以的测试数据来看，存放80G的元数据时，64G的内存已经有点紧张了，开始使用交换内存了。

1.6 和 需要各自独立的两个节点，即相互独立部署，这样即使机器挂了，也可以手动从 恢复一下。在 2高可靠性下可以配置两个，保证一个出现问题可以自动切换至另一个。

1.7 由于 的是周期性的合并日志文件，因此单独部署时对机器压力较小，空间使用也只勉强是的一半，因此可以把诸如hive/hbase等的服务器端安装在snn所在的服务器上，这样可以使机器资源得到最大化利用。

1.8 hdfs空间不够开始报警，但是df –h命令下查看就会发现其实空间余额还有好几T，这种情况是由于non dfs used空间膨胀导致的，non dfs used和一起构成了hdfs的可用空间容量，两者呈现此消彼长的关系。Non dfs used从字面理解来看是非文件占用的空间，实际上是某些文件删除之后，的组件没有释放对其引用导致的，从的情况来看，单个节点2T的数据运行一个月会产生600G的non dfs used空间，最笨的办法就是重启CDH，一下子占用就到1G以下了。

2. 中没有CDH运行环境

项目采取来发布、运行程序，实例无状态，停止服务即销毁，无法直接安装软件，而程序采用命令行的方式编写，必须依赖CDH环境运行，两者出现矛盾，三种方案解决：

2.1.所有程序基于API来开发，改程序

未采用，一来程序改动量太大，影响里程碑计划；二来CDH的有些组件对命令行的支持比对API的支持要好，比如sqoop。

2.2.制作一个CDH的镜像，不改程序

未采用，需要开发人员重新部署、学习技术，测试程序，成本较大；

2.3.用jsch方式远程连接CDH节点来执行命令，改程序

已采用，程序改动量较小，半天即可完成，已测试通过

3. sqoop注意事项

3.1.中是区分用户的，一般给sqoop提供的账号都是中的查询账号，通过同义词等形式来查询数据，所以sqoop命令中一定要带上用户，此用户跟提供给sqoop查询权限用户名不同(除非给sqoop提供的是生产库的业务原始账号，生产数据表都在此账号下面)，sqoop命令中的账号是源数据表的owner用户，只有这样才能通过查询权限的用户去抽取同义词等模式的生产数据。

3.2.由于一般给sqoop提供的账号都是中的查询账号，如果需要通过访问的数据字典来获取源数据表结构，请使用dba_开头的系统表，因为源数据表结构的信息是在业务表的owner用户下面的user_开头的系统表中才有，查询用户下面的user_表中没有。需要的dba_开头的表包括：，，， ，，

3.3. sqoop命令中，源数据库为rac集群的情况下，连接数据库某个节点时，命令中 IP、端口号、SID之间一律使用冒号，而不是斜杠，只有在非集群模式或者scan ip的情况下才可以使用斜杠。

3.4.sqoop成功执行需要驱动包，在以下目录添加2个jar包/opt///CDH-5.5.2-1.cdh5.5.2.p0.4/lib/sqoop/lib：

mysql--java-5.1.38-bin.jar

-10.2.0.4.jar

3.5.sqoop命令中并发参数 –m 属性，一定要放在table属性之后，否则命令无法识别

3.6.采用jsch远程调用模式时，在sqoop命令没有执行完成之前不能关闭远程连接，否则即使已经提交了yarn也会中断执行。

3.7．sqoop默认会把中和date类型转换为和类型，需要在sqoop命令中指定一下类型的转换规则。

3.8 sqoop增量抽取时，where条件使用双引号而非单引号，在Java代码远程调用ssh时，尽量使用 and，否则必须得转义才能使用。

3.9 sqoop先创建表，后插入数据时容易跟对应的字段错位，需要设置分隔符参数 –--by “\001”，另外插入数据的顺序一定要与创建表的字段的顺序一致。

5. spark与容器结合

5.1.在程序中采用URL方式连接spark的节点时必须用别名，IP地址无效。

5.2.应用部署于容器中，调用spark组件的时候应用会莫名的重启，后来排查发现是里需要维护hosts,不然 new ()会导致应用服务重启。但由于机制决定了，即使注册了也无法持久化存在，应用重启之后就还原了，所以直接在Java程序中完成，应用启动的时候注册到的hosts中。

5.3.应用部署于之中，调用spark组件的时候，spark的和节点需要返回消息给，即需要访问部署应用的容器，如下图所示：

而的原有机制决定了，只能由部署于中的应用去访问集群中的物理节点，而外面的物理节点无法访问中的私网。

此外还有2个限制条件，第一：不支持映射地址和端口，必须是应用程序所在的IP；第二：容器的私网地址随着应用重启而在某个网段变化，如果固定为物理IP，将无限制的浪费物理IP地址，客户不会同意；

最终通过开启服务器的路由转发功能，在spark的和节点上配置静态的路由信息得以实现由物理IP节点去访问容器内部的私网地址的功能，也就是说开启服务器的路由转发功能之后，其他机器发往172私网号段的请求，全部发给服务器。

命令：ip route add / via

6. hive操作注意事项

6.1 hive中sql没有像那样进行自动优化，sql的优化非常重要，比如：同一业务逻辑，采用join方式一分钟搞定，但是如果采用等值连接的方式，2小时都没出结果。

6.2 hive中不支持join…on…or的形式，可以转换成union all的方式，此外hive也不支持on后面不相等的条件，只支持相等条件。

6.3 hive的存储方式一般有、、等三种，其中即是文本格式，hive的默认存储格式，数据不做压缩，磁盘开销大，数据解析开销大，查询的效率最低，可以直接存储，但加载数据的效率最高；，是提供的一种二进制文件格式是支持的标准文件格式，可压缩、可切片，查询效率高，但需要通过text文件转化来加载；和的存储格式都是基于行存储的，而 是一种行列存储相结合的存储方式，先将数据按行分块再按列式存储，保证同一条记录在一个块上，避免读取多个块，有利于数据压缩和快速进行列存储，具备相当于行存储的数据加载和负载适应能力，扫描表时避免不必要的列读取，而使用列维度的压缩，能有效提升存储空间利用率，因此存储空间最小，查询的效率最高 ，但需要通过text文件转化来加载，加载的速度最低，但是由于hdfs一般都是一次写入多次读取，所以加载的速度较慢可以接受；目前大数据平台中hive的存储格式采用的是普通的，后续还有很大的优化提示空间。

7. CM管理页面操作

7.1 有组件报错或者无法启动时，先查看相应日志，如果error的地方是关于时间的，ntp同步服务器时间，然后重启该组件；如果error的地方是关于客户端连接问题的，重启服务，如果不行就重启agent服务；绝大多数情况下通过上述两步就可成功，极少数情况下，那就删除角色重新添加该服务，必要的时候可以调整一下该服务的各种角色所在的节点位置。

7.2 如果服务器硬盘故障更换硬盘之后，各种组件启动报错，提示无法连接到cm，如果重启服务无效的话，可以先把该节点移除出服务器，然后配置角色模板，再添加进集群中来。

7.3 CM主机页面中会时常显示物理内存还有剩余，但是交换内存却用了好多，导致CDH报警；这个从Linux机制的角度来看，可以忽略不管，Linux系统会不时的进行页面交换操作，以保持尽可能多的空闲物理内存，即使并没有什么需要内存，Linux也会交换出暂时不用的内存页面，这样的可以避免等待交换所需的时间。如果非要消除这个报警，那就调整Linux中参数的值为0即可。