大数据交互平台Hue的优势

大家好，欢迎来到IT知识分享网。

本文系统地讲解了Hue作为大数据分析交互平台的优势！欢迎批评指正！

Hue Web应用的架构

Hue 是一个Web应用，用来简化用户和Hadoop集群的交互。Hue技术架构，如下图所示，从总体上来讲，Hue应用采用的是B/S架构，该web应用的后台采用python编程语言别写的。大体上可以分为三层，分别是前端view层、Web服务层和Backend服务层。Web服务层和Backend服务层之间使用RPC的方式调用。

Hue整合大数据技术栈架构

由于大数据框架很多，为了解决某个问题，一般来说会用到多个框架，但是每个框架又都有自己的web UI监控界面，对应着不同的端口号。比如HDFS(50070)、YARN(8088)、MapReduce(19888)等。这个时候有一个统一的web UI界面去管理各个大数据常用框架是非常方便的。这就使得对大数据的开发、监控和运维更加的方便。

从上图可以看出，Hue几乎可以支持所有大数据框架，包含有HDFS文件系统对的页面(调用HDFS API，进行增删改查的操作)，有HIVE UI界面(使用HiveServer2，JDBC方式连接，可以在页面上编写HQL语句，进行数据分析查询)，YARN监控及Oozie工作流任务调度页面等等。Hue通过把这些大数据技术栈整合在一起，通过统一的Web UI来访问和管理，极大地提高了大数据用户和管理员的工作效率。这里总结一下Hue支持哪些功能：

• 默认基于轻量级sqlite数据库管理会话数据，用户认证和授权，可以自定义为MySQL、Postgresql，以及Oracle
• 基于文件浏览器（File Browser）访问HDFS
• 基于Hive编辑器来开发和运行Hive查询
• 支持基于Solr进行搜索的应用，并提供可视化的数据视图，以及仪表板（Dashboard）
• 支持基于Impala的应用进行交互式查询
• 支持Spark编辑器和仪表板（Dashboard）
• 支持Pig编辑器，并能够提交脚本任务
• 支持Oozie编辑器，可以通过仪表板提交和监控Workflow、Coordinator和Bundle
• 支持HBase浏览器，能够可视化数据、查询数据、修改HBase表
• 支持Metastore浏览器，可以访问Hive的元数据，以及HCatalog
• 支持Job浏览器，能够访问MapReduce Job（MR1/MR2-YARN）
• 支持Job设计器，能够创建MapReduce/Streaming/Java Job
• 支持Sqoop 2编辑器和仪表板（Dashboard）
• 支持ZooKeeper浏览器和编辑器
• 支持MySql、PostGresql、Sqlite和Oracle数据库查询编辑器
• 使用sentry基于角色的授权以及多租户的管理.（Hue 2.x or 3.x）

Hue操作数据

• 使用Hue可以以图形界面的形式创建solr集合，导入数据到Solr中，并建立数据查找索引。
• 提供了人性化的UI页面把数据从文件系统（比如Linux文件系统、HDFS）导入Hive中，导入的时候可以把数据转换成相应的Hive表，导入完成之后就可以直接使用Hive SQL查询刚刚导入的数据了。[^import-hive]
• 使用Hue以图形界面的形式操作HDFS，包括导入、移动、重命名、删除、复制、修改、下载、排序、查看其中的数据等等操作。
• Hue集成了Sqoop组件，这样就可以通过Hue把数据从其他文件系统批量导入到Hadoop中，或者从Hadoop中导出。[^http://blog.cloudera.com/blog/2013/11/sqooping-data-with-hue/]
• 可以通过图形界面的方式操作HBase，可以导入数据到HBase中，可以通过UI界面进行相关的增加、删除和查询操作。[^http://blog.cloudera.com/blog/2013/09/how-to-manage-hbase-data-via-hue/]

Hue数据查询分析

1. 通过Hue使用Hive进行数据分析

Hue提供了非常人性化的Hive SQL编辑界面，编辑好SQL语句之后就可以直接查询数据仓库中的数据，还可以保存SQL语句、查看和删除历史SQL语句。对于所查询出来的数据，可以下载以及以多种图表的形式展示它们。通过Hue，用户还可以通过自定义函数然后在Hue中通过SQL引用执行。

1. 通过Hue使用Impala进行数据分析

   和Hive一样，Hue提供了类似的图形界面用来使用Impala进行数据查询分析。形式和Hive的类似。如下图所示：
   
   

2. 使用Hue使用Pig进行数据分析

类似于Hive和Impala在Hue中编辑器，Pig的功能和表达式可以直接在Hue中进行编辑和执行等操作。用户可以自定义函数和参数，编辑器能够自动补全Pig关键字、别名和HDFS路径，还支持语法高亮，编写好脚本之后点击一下就可以提交执行。用户可以查看到执行的进度、执行的结果和日志。

Hue数据可视化

• Hue使用Web图形界面的可视化的形式展示所查询出来的数据，展示的形式有表格、柱状图、折线图、饼状图、地图等等。这些可视化功能的使用非常简单。比如，使用Hive SQL查询出相关的数据出来之后，我想以柱状图的形式展示它们，我只需要勾选横坐标和纵坐标的字段就可以显示出我想要的柱状图。
  
  

• Hue提供了可视化的HDFS文件系统，使得对HDFS中的数据的操作完全能够通过UI界面完成，包括查看文件中的内容。
  
  

• 类似地，Hue提供了可视化的UI界面操作HBase中的数据。包含了数据展示，各个版本的数据的查看和其他编辑操作的UI界面，提供了展示数据的排序方式等等。
  
  

下图表示，编辑HBase数据的可视化界面

• Hue提供了用户自定义仪表盘（Dashboard）展示数据的功能。数据的来源是Solr这个搜索引擎。通过拖拽的方式设置仪表盘（也就是数据展示的方式），有文本框、时间表、饼状图、线、地图、HTML等组件。图表支持实时动态更新。设置仪表盘的全部操作都是通过图形界面完成的，对于不同的展示方式，用户可以选择相应的字段，整个过程非常简单方便。保存好刚刚配置好的仪表盘之后，我们可以选择分享给相应权限的用户，拥有不同的权限的用户将看到不同的内容。[^http://gethue.com/hadoop-search-dynamic-search-dashboards-with-solr/]
  
  

  上图表示表盘设置中的以地图的方式展示国家码。
  
  

上图表示：多种展示方式的表盘。

Hue对任务调度的可视化

Hue以可视化的方式向用户展示任务的执行情况，具体包括任务的执行进度、任务的执行状态（正在运行、执行成功、执行失败、被killed），任务的执行时间，还能够显示该任务的标准输出信息、错误日志、系统日志等等信息。还可以查看该任务的元数据、向用户展示了正在运行或者已经结束的任务的详细的执行情况。除此之外，Hue还提供了关键字查找和按照任务执行状态分类查找的功能。

上图表示：任务执行情况和相关信息显示

上图表示：任务的日志显示。

Hue权限控制

Hue在HueServer2中使用了Sentry进行细粒度的、基于角色的权限控制。这里的细粒度是指，Sentry不仅仅可以给某一个用户组或者某一个角色授予权限，还可以为某一个数据库或者一个数据库表授予权限，甚至还可以为某一个角色授予只能执行某一类型的SQL查询的权限。Sentry不仅仅有用户组的概念，还引入了角色（role）的概念，使得企业能够轻松灵活的管理大量用户和数据对象的权限，即使这些用户和数据对象在频繁变化。除此之外，Sentry还是“统一授权”的。具体来讲，就是访问控制规则一旦定义好之后，这些规则就统一作用于多个框架（比如Hive、Impala、Pig）。举一个例子：我们为某一个角色或者用户组授权只能进行Hive查询，我们可以让这个权限不仅仅作用于Hive，还可以是Impala、MapReduce、Pig和HCatalog。

Sentry的优势还体现在它本身对Hadoop生态组件的集成。如下图所示，我们可以使用Sentry为Hadoop中的多个框架进行权限控制。

管理员使用浏览器就能修改相关权限。

Airflow工作流

工作流就是一系列相互衔接、自动进行的业务活动或任务。一个工作流包括一组任务(或活动)及它们的相互顺序关系，还包括流程及任务(或活动)的启动和终止条件，以及对每个任务(或活动)的描述。

Airflow目前正在Apache孵化器中[^airflow-incubator]，但是已经被包括雅虎在内的很多公司使用[^github-airflow]。

这个平台拥有和 Hive、Presto、MySQL、HDFS、Postgres和S3交互的能力，并且提供了钩子使得系统拥有很好的扩展性。

Airflow的优势

• 动态的：Airflow通过代码（python）来配置管道（pipeline）而不是通过xml配置文件，这使得用户可以编写代码来实例化动态管道。使用代码定义任务（DAG）在执行一个特定的可重复的任务时非常管用。用代码来定义工作流是这个系统最强大之处。这在没有人工干预的情况下自动接入新的数据源的时候非常有用。
• 可伸缩的：可以很容易地编辑、运行和扩展相关的库文件，
• 优雅的：Airflow的管道（pipeline）是精炼直接的，Airflow的核心使用了参数化的脚本，还使用了强大的Jinja模板引擎。
• 可拓展的：Airflow具有模块化结构，使用消息队列来整合任意数量的worker。[^apache-airflow]
• 任务隔离：在一个分布式环境中，宕机是时有发生的。Airflow通过自动重启任务来适应这一变化。到目前为止一切安好。当我们有一系列你想去重置状态的任务时，你就会发现这个功能简直是救世主。为了解决这个问题，我们的策略是建立子DAG。这个子DAG任务将自动重试自己的那一部分，因此，如果你以子DAG设置任务为永不重试，那么凭借子DAG操作你就可以得到整个DAG成败的结果。如果这个重置是DAG的第一个任务设置子DAG的策略就会非常有效，对于有一个相对复杂的依赖关系结构设置子DAG是非常棒的做法。注意到子DAG操作任务不会正确地标记失败任务，除非你从GitHub用了最新版本的Airflow。解决这个问题的另外一个策略是使用重试柄，这样你的重试柄就可以将任务隔离，每次执行某个特定的任务。
• 人性化的：Airflow提供了非常人性化的Web UI，用户可以使用浏览器编辑、查看等操作工作流，提供了人性化的任务监控UI。

上图表示：Airflow的web UI.

Airflow其他有趣的特点

• 服务级别协议：用户能够通过设置某一个任务或者DAG（在一定时间内）必须要成功执行，如果一个或多个任务在规定时间内没有成功完成，就会有邮件提醒用户。

• XCom：XCom使得任务（task）之间能够交换信息，从而实现更微妙的控制和状态共享。

• 变量：这可以让用户在Airflow中自定义任意key-value形式的变量。用户可以通过web UI或者代码对变量进行增删改查操作。把这些变量当作系统的配置项是非常有用的。[^http://bytepawn.com/airflow.html]

  ​

使用Airflow

• 下载安装Airflow是一件很简单的事情，使用pip就可以了。
• 编写DAG（有向无环图），使用python语言编写。Airflow提供了和Hive、Presto、MySQL、HDFS、Postgres和S3等交互的接口。
• 导入DAG到Airflow中，开始执行。
• 使用Airflow提供的web UI查看BAG执行情况，运行结束之后还可以通过Web UI查看各个任务的执行状况，比如执行时间，便于进一步优化。[^https://www.pandastrike.com/posts/20150914-airflow]

^import-hive

^http://blog.cloudera.com/blog/2013/11/sqooping-data-with-hue/

^http://blog.cloudera.com/blog/2013/09/how-to-manage-hbase-data-via-hue/

^http://bytepawn.com/airflow.html

^https://www.pandastrike.com/posts/20150914-airflow

^http://gethue.com/hadoop-search-dynamic-search-dashboards-with-solr/