大数据信号分析：存储和查询信号数据的更好方式

Question

我正准备使用 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 读取该信号并将其转换为 HDFS 上的文件，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

我们想将 interactive/batch 个查询写入：

对信号值应用聚合函数

SELECT *
FROM SIGNALS
WHERE MAX(VALUES) > 1000.0

到 select 峰值超过 1000.0 的信号。

在聚合上应用聚合

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

至 select 个至少有一个信号超过 1500.0 的来源。

对样本应用用户定义的函数

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

到select表示经过5.0KHz滤波后的值至少大于100.0。

我们需要一些帮助才能：

找到正确的文件格式以将信号数据写入 HDFS。我想到了 Apache Parquet。您将如何构建数据？
了解正确的数据分析方法：是创建不同的数据集（例如，使用 Spark 处理数据并将结果保存在 HDFS 上）还是尝试在查询时从原始数据集做所有事情更好？
Hive 是一个很好的工具来查询我写的那些吗？我们在 Cloudera Enterprise Hadoop 上运行，所以我们也可以使用 Impala.
如果我们生成与原始数据集不同的派生数据集，我们如何跟踪数据的沿袭，即知道数据是如何从原始版本生成的？

非常感谢！

Answer 1

1) Parquet 作为柱状格式非常适合 OLAP。 Parquet 的 Spark 支持已经足够成熟，可以用于生产。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))))

保留 double 数组允许像这样定义和使用 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以合理的延迟在查询时间内完成所有处理 - 那就去做吧。您可以从这种方法开始，稍后为 slow/popular 查询构建优化结构

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，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且具有丰富的非SQL处理能力（如MLlib和GraphX）

4) 保持简单：存储原始数据（主数据集）去重和分区（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 - 重新启动该分区的管道。

希望对您有所帮助

Answer 2

首先，我认为Vitaliy的方法在各个方面都非常好。（我完全支持 Spark）

不过，我想提出另一种方法。原因是：

我们想进行交互式查询（+ 我们有 CDH）
数据已经结构化
需要的是'analyze'而不是'processing'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) 我们不想每次想运行查询时都编写程序

以下是我想要执行的步骤：

使用 sqoop 摄取到 HDFS：[可选] 使用 --as-parquetfile
根据需要创建外部 Impala table 或内部 table。如果您尚未将文件作为 parquet 文件传输，则可以在此步骤中执行此操作。分区依据，最好是源 ID，因为我们的分组将发生在该列上。

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 table，最好是镶木地板格式，并按我们想要的列进行分区将用于分组。记得加载后做计算统计帮助Impala运行它更快。

移动数据： - 如果我们需要从结果中生成提要，请创建一个单独的文件 - 如果另一个系统要更新现有数据，则在创建时将数据移动到不同的位置->加载 table - 如果只是查询、分析和获取报告（即外部 table 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之上创建一个外部配置单元 table。如果我们需要运行long-运行ning批量查询，可以使用Hive。不过，对于交互式查询来说，这是一个禁忌。如果我们从查询中创建任何派生的 tables 并希望通过 Impala 使用，请记住在运行ning impala 查询之前运行 'invalidate metadata'在配置单元生成的 tables

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

大数据信号分析：存储和查询信号数据的更好方式

Big data signal analysis: better way to store and query signal data

hadoop

hive

impala

apache-spark

parquet