博学谷狂野大数据架构4期

数据采集层：

1、离线：flume、Sqoop、Nifi

2、实时：filebeat、nginx+lua

补充：当数据量达到5亿左右的时候，filebeat+logstash采集数据到hdfs，数据会出现丢失的情况，所以此种方案不适合用于大数据存储到hdfs

数据存储层：

1、hdfs用于存储离线大数据量

2、kudu用于存储mysql关系数据库更新变化的数据

3、es存储一些log日志，比如说我们需要快速的定位某一个业务的log情况

4、kafka作为消息中间件，存储filebeat或者是flume采集的日志

数据分析层：

1、es，分析一些log

2、hive适用于分析一些离线大数据（基于磁盘IO分析）

3、impala、presto适用于分析一些准实时日志（要求快速出数据，基于内存分析）

4、spark core+spark sql 适用于分析一些离线数据，自定义解析规则

5、spark streaming适用于分析一些实时（不是完全实时）数据

6、flink、jstorm进行分析完全实时的数据

数据调度层：

1、airflow：使用于大集群，阿里的调度系统就是根据airflow二次开发，配置复杂，python脚本实现

2、azkaban：cpu和内存要求不高，主从配置支持的不算太好，适用于小集群，以job的文件实现，配置简单

3、oozie：通常hue集成，单独的使用oozie的情况下，配置及其复杂，不建议使用，所有的任务是以mr的形式进行的，可支持复杂的依赖调度

4、jobX：cpu使用高，bug还没修复，所以造成agent的cpu维持在1个左右，配置简单，只支持依赖调度，并行调度不支持

5、crontab：一般用于每分钟调度一次的任务，不支持依赖调度、并行调度（配置复杂，通过脚本自定义控制），没有可视化界面，不能准确的判断任务是否成功或者是失败.......