Hadoop工具让数据仓库迁移更轻松

从高成本数据仓库将任务卸载有时被看做是Hadoop商用集群的首要目标。迁移提取、转换、加载(ETL)、查询以及报告工作并不能显著改变商业模式，但它可能会抑制数据仓库的增长和成本。

从高成本数据仓库将任务卸载有时被看做是Hadoop商用集群的首要目标。迁移提取、转换、加载(ETL)、查询以及报告工作并不能显著改变商业模式，但它可能会抑制数据仓库的增长和成本。

但是，即便进入Hadoop时代已经有些年头了，将任务迁移至分布式平台并非易事。能够找出哪些任务在不给大量开发人员带来麻烦的情况下进行迁移，有助于数据管理人员做出最佳选择。

一款来自Cloudera公司的Hadoop工具Navigator Optimizer可能是个不错的选择。它源于该公司在2015年收购的Xplain.io，这家公司试图将某些与SQL类似的数据库优化功能引入Hadoop。该产品于今夏开始正式供应。

“该工具可以让人们查看那些正在其他平台上运行的查询，并可以查看它们将会如何在我们的Hadoop环境中表现，” Conversant的一名软件工程经理Peter Wojciechowski说，而Conversant是一家数字营销公司，它通过对大量数据的处理来呈现个性化的广告。

Conversant在查询中的表现

Conversant最初是将Hadoop用作数据的第一着陆点，之后通过Pivotal Greenplum数据仓库进行处理以用于分析。团队使用Navigator已经能够将某些任务迁移至Hadoop和Apache Hive数据仓库以及Impala SQL查询环境。

“如今，核心的ETL和某些大型处理工作是在一个Hadoop集群上进行的，”Wojciechowski说，高度迭代的处理工作对于Hadoop来说是不错的目标，但Greenplum并未被取代。在他的公司里，Greenplum仍担当着重要的分析责任。但现在，其使用则更为精炼。

Wojciechowski说，“以前，Greenplum负责了所有的工作负载，但并不是所有工作负载都与其契合。现在，有了该工具，我们就能更加游刃有余，例如，我们可以判断什么才是适合在Hive中运行的。”

通过使用Optimizer，Wojciechowski和他的团队能够说出在Hive和Impla中查询将会如何更好的执行，这就如同是接受在新环境中查询是如何执行的指导是一样的。Hadoop工具在生产中还有着进一步的应用。Optimizer与Navigator协同工作会帮助你判断如何将工作负载查询进行分组，这样就能发现更多的重复并更有效的对集群进行利用，”他说。

像Navigator Optimizer之类的技术有助于揭示数据连接，这是一个SQL常见的特性，而它会对Hadoop造成阻碍，451 Research的分析师James Curtis如是说。“Navigator会在将任务迁移至Impala或Hive之前对已有工作进行分析，并对需要重做的连接数量进行估计，”他说。

对于该工具在任务迁移中的作用他表示认同，但他强调对查询的优化远比仅用于迁移有着更广泛的使用。“对于那些拥有数以千计查询的公司来说，优化查询并不是琐碎的工作，”Curtis说。

改变和提升

像Cloudera Navigator套件之类产品的可用性可以覆盖包括所有最困难迁移任务中的一项：即将主框架数据迁移至Hadoop生态系统。

为此，主框架和Hadoop数据转换公司Syncsort表示，它正在和Cloudera合作，通过将Navigator连接至其工具来追踪传统来源的数据沿袭以改善数据治理。这些传统来源不仅限于主框架，而是包括运行在中端系统上的数据仓库。

对于将关系型数据仓库任务迁移至Hadoop来说，Cloudera并不是可以提供工具唯一厂商，这一领域是十分活跃的。

对于他们来说，独立的Hadoop分销竞争对手Hortonworks和MapR Technologies Inc.会提供相关的Hadoop工具，包括基于Apache Calcite的SQL优化工具，而Apache Calcite是一款包括了一个SQL解析器和查询规划器的开源项目，而它刚刚迎来它的第一个生日。

而且，数据管理服务公司Bitwise最近推出了Hydrograph，这是一款旨在简化卸载ETL工作负载到Hadoop和其他大数据框架的工具。Bitwise的软件是与客户Capital One一起开发的，它基于的开发环境使用了XML接口，因此任务可以迁移至不同的Hadoop框架，例如从MapReduce到Tez，只需要少量重新配置。

如果这些Hadoop工具能够让迁移设计更上一层楼并不断探索试错，则会改善对Hadoop的提升。对于企业中Hadoop和它的生态系统组件来说，在平台上高效地获取数据仓库工作仍是一项重要步骤。

本文转自d1net（转载）

Hadoop运行模式（一）、本地运行模式（官方WordCount）、完全分布式运行模式（开发重点）、scp安全拷贝、rsync 远程同步工具、xsync集群分发脚本、同步环境变量配置（root所有着） Hadoop运行模式（一）、本地运行模式（官方WordCount）、完全分布式运行模式（开发重点）、scp安全拷贝、rsync 远程同步工具、xsync集群分发脚本、同步环境变量配置（root所有着）
Hadoop大数据平台环境搭建注意事项，波若分布式数据采集工具功能剖析，数道云 Hadoop大数据作为时代发展的产物，影响着互联网企业发展、以及企业关于品牌形象推广、政府有关民意采集、以及有关数据信息收集分类……………… Hadoop技术的发展，带来了海量数据高效处理的能力，也给互联网政企、高校的发展带来了突破性的发展。
[python作业AI毕业设计博客]大数据Hadoop工具python教程１-HDFS Hadoop分布式文件系统 Hadoop分布式文件系统(HDFS:Hadoop Distributed File System)是基于Java的分布式文件系统分布式，可扩展和可移植的文件系统，旨在跨越大型商用服务器集群。 HDFS的设计基于谷歌文件系统GFS(https://ai.google/research/pubs/pub51)。
[雪峰磁针石博客]大数据Hadoop工具python教程２-python访问HDFS https://pypi.org/project/hdfs3 已经不维护PyArrow https://pypi.org/project/hdfs/https://pypi.org/project/snakebite/ python2中比较好，对python3支持不好。
[雪峰磁针石博客]大数据Hadoop工具python教程3-MapReduce MapReduce是一种编程模型，通过将工作分成独立的任务并在一组机器上并行执行任务，可以处理和生成大量数据。 MapReduce编程风格的灵感来自函数式编程结构map和reduce，它们通常用于处理数据列表。
[雪峰磁针石博客]大数据Hadoop工具python教程4-mrjob mrjob是由Yelp创建的Python MapReduce库，它封装了Hadoop流，允许MapReduce应用程序以更加Pythonic的方式编写。 mrjob用纯Python编写多步MapReduce作业。
[雪峰磁针石博客]大数据Hadoop工具python教程9-Luigi工作流 管理Hadoop作业的官方工作流程调度程序是Apache Oozie。与许多其他Hadoop产品一样，Oozie是用Java编写的，是基于服务器的Web应用程序，它运行执行Hadoop MapReduce和Pig的工作流作业。