张子阳的博客

在使用传统的RDBMS数据库（关系数据库），例如MySql时，对于一些大表，我们通常会进行分表操作，以提升查询效率。在Hive中也提供了类似的概念和操作，本文将对其进行讲述。

因为计划着国庆去西藏旅行一趟，因此买了这本书打算看一下。我最早摄影应该也是源于旅行，每次出去的时候，看到壮丽的风光，总想要记录下来，慢慢的也就喜欢上了摄影。关于旅行摄影，我一直觉得相比人像摄影要简单许多，风景已经很美，怎么拍都美，需要关注的主要就是构图了吧。而拍摄时机有时候都不是自己能决定的，而是按照每日行程，恰好在某个时间到了那里。

这本书分为了5个部分，分别是：器材、技巧、旅途、后期、手机摄影。和其他摄影书稍微不同的是：这本书的作者几乎对每幅作品的拍摄思想都进行了比较详细的讲述，所以文字篇幅还算比较大，不像有的摄影书，文字很少，都是图。

有时候，我们需要使用编码的方式将文件从Windows系统发送到Linux系统上，这篇文章将记录如何实现这一过程。

一个实际的例子是：现有的程序运行在Windows服务器上，需要将一些文件传输到运行在Linux的Hive数据仓库中。也许有更好的方案可以直接传给Hive，但一种间接的方案是先把文件发到Linux上，然后在Linux上使用load data读入到Hive中。

在 写入数据到Hive表(命令行) 这篇文章中，我们通过命令行的方式和hive进行了交互。但在通常情况下，是通过编程的方式来操作Hive，Hive提供了JDBC和ODBC接口，因为公司的数据处理程序是使用.net开发并运行在windows server上的，因此这篇文章将介绍如何通过ODBC来访问Hive。

ODBC：Open Database Connectivity，开放数据库连接，是微软开放服务结构(WOSA，Windows Open Services Architecture)中有关数据库的一个组成部分，它建立了一组规范，并提供了一组对数据库访问的标准API（应用程序编程接口）。这些API利用SQL来完成其大部分任务。

JDBC：Java Database Connectivity，Java数据库连接，是用于Java编程语言和数据库之间的数据库无关连接的标准Java API。

在默认情况下，Hive使用MapReduce来对数据进行操作和运算，即将HQL语句翻译成MapReduce作业执行。而MapReduce的执行速度是比较慢的，一种改进方案就是使用Spark来进行数据的查找和运算。Hive和Spark的结合使用有两种方式，一种称为Hive on Spark：即将Hive底层的运算引擎由MapReduce切换为Spark，官方文档在这里：Hive on Spark: Getting Started。还有一种方式，可以称之为Spark on Hive：即使用Spark来读取HIVE的表数据（数据仍存储在HDFS上）。

默认情况下，Hive会使用Derby来存储元数据（主要是表、列、分区Partition的信息）。Derby是一个嵌入式的本地数据库，只能单进程进行访问，不允许多个连接。因此，Derby只适合本地测试，不适合用在生产环境。Hive支持使用单独的数据库来存储元数据，比如MySql、PostgreSql等，本文将介绍如何配置Hive使用MySql存储元数据。

这本书也是端午节期间旅行时带着的，结果没有来得及看。假期结束后，又断断续续在周末休息的时候看完了。

这本书的副标题是：日系人像摄影教程。那么日系的风格是什么样的呢？就我的理解，简单来说，就是有点偏“性冷淡”风格的，画面简单、干净、明亮，饱和度不高，给人以朴素、清新的感觉。大家可以想象一下无印良品的风格，和带给我们的感受。除了日本的摄影风格以外，日本的很多轻音乐也是如此，简单、干净，能让人的整个身心都感觉到宁静。网易上有个对日本音乐的评论我一直都记得：有机会一定要去日本看一看，究竟是怎样的风景和文化才酝酿出了这样的音乐。扯得有点远了，但日系的这种恬静的风格是我比较喜欢的。

搭建好Hadoop和Hive的运行环境之后，首先考虑到的，就是如何将数据写入到HIVE中。这篇文章将简单、快速地介绍如何通过命令行的方式，使用insert...values、load、insert...select 语句将数据写入到hive表重。并讲解了在写入数据时遇到的问题：多个小文件，以及相应的解决方案。

直接通过MapReduce来对存储在Hadoop HDFS上的数据进行查询和分析比较繁琐而且还需要编程。Hive是一个数据仓库系统，构建在HDFS之上，它提供了类似SQL的语法（HQL），可以将HQL翻译成MapReduce作业进行查询，是的对数据的管理和检索更为便利。

这篇文章记录了如何在linux上安装hive。因为hive基于Hadoop，所以需要先安装Hadoop，如果你还没有安装Hadoop，可以参考linux上安装和配置Hadoop(单节点)进行安装。

Hadoop生态圈仍处于欣欣向荣的发展态势，不断涌现新的技术和名词。Hadoop的HDFS、YARN、MapReduce仍是最基础的部分，这篇文章记录了如何一步步在linux上安装单节点的Hadoop，之后就可以在它上面做一些练习了。截至目前（2018.7.16），Hadoop的最新版本是3.0.3，但使用最新版本的问题是：当你遇到问题时，所能找到的资料或者书籍都是针对较晚版本的。因此，对一项技术，如果没有达到特别熟悉，安装次新、或者次次新版本是一个相对稳妥的做法。所以，我选择安装的是2.9.1版本。

Hadoop有三种安装方式：独立（Standalone），单机单进程；伪分布（Pseudo-Distributed），单机多进程；完全分布（Fully-Distributed），多机多进程。这篇文章记录了伪分布模式安装的步骤。

当有多台服务器彼此进行通信时，可以通过使用ssh来免去输入密码的步骤。这篇文章将以两台服务器作为范例，演示如何通过ssh进行登录。

Apache Spark被称为第三代大数据处理平台，也当前应用最广泛的大数据处理方案，这篇文章将介绍如何在Linux系统（Cent OS7）上以单机模式（Stand alone）模式安装Apache Spark。当前的最新稳定版是2.3.1。

此定义来源于网络，非官方定义：第一代Hadoop，第二代Storm，第三代Spark，第四代Flink。因为Flink比较新，从应用的广泛度方面而言不及Spark，相关的资料也比较少，因此在生产环境使用时，最好选用Spark。在试验环境，可以对Flink做一些尝试。

很多的开源项目都是使用java语言开发的，都需要在服务器上安装java才能运行起来。这篇文章简单介绍了在linux上安装java的步骤。

java已经更新到了10，但是因为很多应用，比如hadoop都是采用之前的版本开发，例如java8，所以建议安装java8。以避免出现版本过高带来的兼容性问题。

在部署和配置集群的时候，集群中的多台服务器需要通信，对于一些复杂的应用，例如consul、hadoop等，往往是客户端通信占用一个端口、Web UI占用一个端口、集群内的主机之间通信占用一个或多个端口。这样在测试环境部署的时候，如果启用防火墙，往往会因为漏掉放行某台服务器的某个端口，而造成连接失败。

所以，在测试环境下，为了节约时间，尽快地测试和部署集群，可以关掉防火墙（正式环境下根据情况自行判断了，如果是在阿里云、腾讯云，在云主机外部有一层可配置的“安全组”策略，在这个位置也可以配置防火墙）。

这本书是公司一位负责数据库的同事推荐的，正好数据中心也在重构和优化，以应对更加海量的数据，所以便花了些时间读完了这本书。

这本书首先按照按照数据处理的流程，将数据处理分成了下面几个步骤

1. 数据产生：可以是后台业务数据、日志数据、客户端埋点数据、爬虫数据、其他第三方数据等。
2. 数据采集和传输：数据源主要分为文本和数据库两种。
3. 数据存储：将采集来的数据进行持久化保存
4. 数据应用：当前主要还是“看”，未来可以利用深度学习、数据挖掘、机器学习等方式获得更多价值。

按照数据存储的实效性，将数据处理分为了三类：

1. 离线处理：今天处理昨天或者更久前的数据，时间单位通常是天。
2. 近线处理：处理15分钟或者1小时之前的数据，时间单位通常是分钟。
3. 实时处理：处理即时收到数据，时效主要取决于传输和存储速度，时间单位通常是秒甚至毫秒。

在前面两篇文章中，我们了解了基本概念，也安装、配置好了zookeeper集群，在这篇文章中，我们将一步步搭建kafka集群。

在 搭建zookeeper集群 中，我们已经配置了系统环境，并且下载、解压了kafka安装包，所以这篇文章更多的是配置。kafka和zookeeper一样，都是使用java开发的，之前java环境已经安装过了，所以这篇文章也不再演示。如果你还没有看过上一篇，那么建议先看 上一篇。

kafka使用zookeeper来管理Brokers（kafka服务进程）、执行partition（分区）的leader选举、当出现变更时向kafka发送通知（新建topic、删除topic、broker上线、broker下线）。zookeeper通常配置为集群，一般3个或者5个，其中一个为leader，其余为follower。kafka强依赖于zookeeper，如果没有zookeeper则无法运行，这篇文章主要讲述如何在CentOS 7上搭建zookeeper集群，简单起见，以root身份登录系统并进行操作。

本来打算给这篇文章起名叫“搭建Kafka消息队列集群”，然而，和RabbitMQ不同，Kafka并没有实现消息队列的协议（例如AMQP，Advanced Message Queuing Protocol，提供统一消息服务的应用层标准高级消息队列协议，是应用层协议的一个开放标准，为面向消息的中间件设计），所以尽管在使用方式上像极了队列，但并不算是严格意义上的消息队列。而按照官方的定义：A distributed streaming platform（分布式流数据平台），又显得太抽象，所以，我还是从实际出发，因为在项目中将Kafka用作一个数据传输和缓冲的中介，于是将标题命名为了“搭建Kafka数据传输服务集群”，关键词是：数据传输服务。

近期公司在做一些后台架构方面的改造，例如对数据中心，数据采集/传输/清洗/存储方面的优化，因此，我想有必要了解一些其他公司是如何做系统架构和转型的，于是购买了这本书。通读完以后，对阿里的中台架构有一个鸟瞰式的了解，也了解到了其中的庞大和复杂。这样的系统规模，对于大多数公司都是难以实现的，既难以开发也难以维护，毕竟很少有公司达到阿里这样的量级（不管是面对的客户访问量还是技术人员的数量）。但是，从这本书中，至少看到了架构的一些演化过程、可能遇到的问题、可选的解决方案。这样，在公司逐步发展时遇到类似问题时，至少有一个解决问题的方向，然后按这个方向再去寻找具体的解决办法。

我习惯旅行的时候带一两本书，因为旅行的时候总是会有不少等待的时间，比如说等飞机、等排队过关、等同行的同伴购物。我不是很喜欢玩手机，因为显示屏看久了总是觉得眼睛很累，这时候拿一本轻松的书看一下最合适不过了。因此，在端午假期出行期间，我便带上了这本书并读完了它。

以前我总是拍风景，拍得多了，觉得有一点无聊；同时也为了给旅途中同行的人多留一些纪念，所以开始拍一些人像。然后发现人像比风景难拍多了，风景主要是构图以及掌握好拍摄的时机（例如清晨或傍晚，光线最有层次感的时候）。人像则不同，除了构图和拍摄时间以外，还需要想好Pose，做好表情，选择目光注视的方向，有时候还需要抓拍。除此以外，人像也分为风景照（以景色作为人的背景）、旅拍、肖像、写真、私房等等很多种。

买这本书，也是想学习一下人像摄影方面的知识。这本书的作者是一位入行仅4年的职业女摄影师，她所喜欢和擅长的风格是温暖唯美型的，书中的配图也很好地提现了这一点，可以看到很多风格清新唯美的美女。