Hadoop之Flume架构以及应用介绍

比眉伴天荒 2022-06-13 10:58 217阅读 0赞

在具体介绍本文内容之前，先给大家看一下[Hadoop][]业务的整体开发流程：   
![这里写图片描述][20160530152554920]   
从[hadoop][Hadoop]的业务开发流程图中可以看出，在[大数据][Hadoop]的业务处理过程中，对于数据的采集是十分重要的一步，也是不可避免的一步，从而引出我们本文的主角—Flume。本文将围绕Flume的[架构][Link 1]、Flume的应用(日志采集)进行详细的介绍。

# 一、Flume架构介绍  #

##      1、Flume的概念  ##

![这里写图片描述][20160530153940611]   
flume是分布式的日志收集系统，它将各个服务器中的数据收集起来并送到指定的地方去，比如说送到图中的HDFS，简单来说flume就是收集日志的。

##      2、Event的概念  ##

在这里有必要先介绍一下flume中event的相关概念：flume的核心是把数据从数据源(source)收集过来，在将收集到的数据送到指定的目的地(sink)。为了保证输送的过程一定成功，在送到目的地(sink)之前，会先缓存数据(channel),待数据真正到达目的地(sink)后，flume在删除自己缓存的数据。   
在整个数据的传输的过程中，流动的是event，即事务保证是在event级别进行的。那么什么是event呢？—–event将传输的数据进行封装，是flume传输数据的基本单位，如果是文本文件，通常是一行记录，event也是事务的基本单位。event从source，流向channel，再到sink，本身为一个字节数组，并可携带headers(头信息)信息。event代表着一个数据的最小完整单元，从外部数据源来，向外部的目的地去。   
为了方便大家理解，给出一张event的数据流向图：   
![这里写图片描述][20160530163300022]   
一个完整的event包括：event headers、event body、event信息(即文本文件中的单行记录)，如下所以：   
![这里写图片描述][20160530163629374]   
其中event信息就是flume收集到的日记记录。

##      3、flume架构介绍  ##

flume之所以这么神奇，是源于它自身的一个设计，这个设计就是agent，agent本身是一个 [Java][]进程，运行在日志收集节点—所谓日志收集节点就是服务器节点。   
agent里面包含3个核心的组件：source—->channel—–>sink,类似生产者、仓库、消费者的架构。   
source：source组件是专门用来收集数据的，可以处理各种类型、各种格式的日志数据,包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy、自定义。   
channel：source组件把数据收集来以后，临时存放在channel中，即channel组件在agent中是专门用来存放临时数据的——对采集到的数据进行简单的缓存，可以存放在memory、jdbc、file等等。   
sink：sink组件是用于把数据发送到目的地的组件，目的地包括hdfs、logger、avro、thrift、ipc、file、null、 [Hbase][]、solr、自定义。

##      4、flume的运行机制  ##

flume的核心就是一个agent，这个agent对外有两个进行交互的地方，一个是接受数据的输入——source，一个是数据的输出sink，sink负责将数据发送到外部指定的目的地。source接收到数据之后，将数据发送给channel，chanel作为一个数据缓冲区会临时存放这些数据，随后sink会将channel中的数据发送到指定的地方—-例如HDFS等，注意：只有在sink将channel中的数据成功发送出去之后，channel才会将临时数据进行删除，这种机制保证了数据传输的可靠性与安全性。   
5、flume的广义用法   
flume之所以这么神奇—-其原因也在于flume可以支持多级flume的agent，即flume可以前后相继，例如sink可以将数据写到下一个agent的source中，这样的话就可以连成串了，可以整体处理了。flume还支持扇入(fan-in)、扇出(fan-out)。所谓扇入就是source可以接受多个输入，所谓扇出就是sink可以将数据输出多个目的地destination中。   
![这里写图片描述][20160530190347644]

# 二、flume应用—日志采集  #

对于flume的原理其实很容易理解，我们更应该掌握flume的具体使用方法，flume提供了大量内置的Source、Channel和Sink类型。而且不同类型的Source、Channel和Sink可以自由组合—–组合方式基于用户设置的配置文件，非常灵活。比如：Channel可以把事件暂存在内存里，也可以持久化到本地硬盘上。Sink可以把日志写入HDFS,  [hbase][Hbase]，甚至是另外一个Source等等。下面我将用具体的案例详述flume的具体用法。   
其实flume的用法很简单—-书写一个配置文件，在配置文件当中描述source、channel与sink的具体实现，而后运行一个agent实例，在运行agent实例的过程中会读取配置文件的内容，这样flume就会采集到数据。   
配置文件的编写原则：   
1>从整体上描述代理agent中sources、sinks、channels所涉及到的组件

# Name the components on this agent
        a1.sources = r1
        a1.sinks = k1
        a1.channels = c1
     
      
       1
       2
       3
       4
      
     
      
       1
       2
       3
       4

2>详细描述agent中每一个source、sink与channel的具体实现：即在描述source的时候，需要   
指定source到底是什么类型的，即这个source是接受文件的、还是接受http的、还是接受thrift   
的；对于sink也是同理，需要指定结果是输出到HDFS中，还是Hbase中啊等等；对于channel   
需要指定是内存啊，还是[数据库][Link 2]啊，还是文件啊等等。

# Describe/configure the source
        a1.sources.r1.type = netcat
        a1.sources.r1.bind = localhost
        a1.sources.r1.port = 44444
    
        # Describe the sink
        a1.sinks.k1.type = logger
    
        # Use a channel which buffers events in memory
        a1.channels.c1.type = memory
        a1.channels.c1.capacity = 1000
        a1.channels.c1.transactionCapacity = 100
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12

3>通过channel将source与sink连接起来

# Bind the source and sink to the channel
        a1.sources.r1.channels = c1
        a1.sinks.k1.channel = c1
     
      
       1
       2
       3
      
     
      
       1
       2
       3

启动agent的shell操作：

flume-ng  agent -n a1  -c  ../conf   -f  ../conf/example.file  
        -Dflume.root.logger=DEBUG,console  
     
      
       1
       2
      
     
      
       1
       2

参数说明： -n 指定agent名称(与配置文件中代理的名字相同)   
\-c 指定flume中配置文件的目录   
\-f 指定配置文件   
\-Dflume.root.logger=DEBUG,console 设置日志等级

具体案例：

## 案例1： NetCat Source ##

监听一个指定的网络端口，即只要应用程序向这个端口里面写数据，这个source组件就可以获取到信息。 其中 Sink：logger Channel：memory   
flume官网中NetCat Source描述：

Property Name Default     Description
    channels       –     
    type           –     The component type name, needs to be netcat
    bind           –  日志需要发送到的主机名或者Ip地址，该主机运行着netcat类型的source在监听          
    port           –  日志需要发送到的端口号，该端口号要有netcat类型的source在监听      
     
      
       1
       2
       3
       4
       5
      
     
      
       1
       2
       3
       4
       5

a) 编写配置文件：

# Name the components on this agent
    a1.sources = r1
    a1.sinks = k1
    a1.channels = c1
    
    # Describe/configure the source
    a1.sources.r1.type = netcat
    a1.sources.r1.bind = 192.168.80.80
    a1.sources.r1.port = 44444
    
    # Describe the sink
    a1.sinks.k1.type = logger
    
    # Use a channel which buffers events in memory
    a1.channels.c1.type = memory
    a1.channels.c1.capacity = 1000
    a1.channels.c1.transactionCapacity = 100
    
    # Bind the source and sink to the channel
    a1.sources.r1.channels = c1
    a1.sinks.k1.channel = c1
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21

b) 启动flume agent a1 服务端

flume-ng  agent -n a1  -c ../conf  -f ../conf/netcat.conf   -Dflume.root.logger=DEBUG,console
     
      
       1
      
     
      
       1

c) 使用telnet发送数据

telnet  192.168.80.80  44444  big data world！（windows中运行的）
     
      
       1
      
     
      
       1

d) 在控制台上查看flume收集到的日志数据：   
![这里写图片描述][20160530211114709]

## 案例2：NetCat Source ##

监听一个指定的网络端口，即只要应用程序向这个端口里面写数据，这个source组件就可以获取到信息。 其中 Sink：hdfs Channel：file (相比于案例1的两个变化)

flume官网中HDFS Sink的描述：   
![这里写图片描述][20160530213143487]   
a) 编写配置文件：

# Name the components on this agent
    a1.sources = r1
    a1.sinks = k1
    a1.channels = c1
    
    # Describe/configure the source
    a1.sources.r1.type = netcat
    a1.sources.r1.bind = 192.168.80.80
    a1.sources.r1.port = 44444
    
    # Describe the sink
    a1.sinks.k1.type = hdfs
    a1.sinks.k1.hdfs.path = hdfs://hadoop80:9000/dataoutput
    a1.sinks.k1.hdfs.writeFormat = Text
    a1.sinks.k1.hdfs.fileType = DataStream
    a1.sinks.k1.hdfs.rollInterval = 10
    a1.sinks.k1.hdfs.rollSize = 0
    a1.sinks.k1.hdfs.rollCount = 0
    a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d-%H-%M-%S
    a1.sinks.k1.hdfs.useLocalTimeStamp = true
    
    # Use a channel which buffers events in file
    a1.channels.c1.type = file
    a1.channels.c1.checkpointDir = /usr/flume/checkpoint
    a1.channels.c1.dataDirs = /usr/flume/data
    
    # Bind the source and sink to the channel
    a1.sources.r1.channels = c1
    a1.sinks.k1.channel = c1
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29

b) 启动flume agent a1 服务端

flume-ng  agent -n a1  -c ../conf  -f ../conf/netcat.conf   -Dflume.root.logger=DEBUG,console
     
      
       1
      
     
      
       1

c) 使用telnet发送数据

telnet  192.168.80.80  44444  big data world！（windows中运行的）
     
      
       1
      
     
      
       1

d) 在HDFS中查看flume收集到的日志数据：   
![这里写图片描述][20160530214141812]

## 案例3：Spooling Directory Source ##

监听一个指定的目录，即只要应用程序向这个指定的目录中添加新的文件，source组件就可以获取到该信息，并解析该文件的内容，然后写入到channle。写入完成后，标记该文件已完成或者删除该文件。其中 Sink：logger Channel：memory   
flume官网中Spooling Directory Source描述：

Property Name       Default      Description
    channels              –  
    type                  –          The component type name, needs to be spooldir.
    spoolDir              –          Spooling Directory Source监听的目录
    fileSuffix         .COMPLETED    文件内容写入到channel之后，标记该文件
    deletePolicy       never         文件内容写入到channel之后的删除策略: never or immediate
    fileHeader         false         Whether to add a header storing the absolute path filename.
    ignorePattern      ^$           Regular expression specifying which files to ignore (skip)
    interceptors          –          指定传输中event的head(头信息)，常用timestamp
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9

Spooling Directory Source的两个注意事项：

①If a file is written to after being placed into the spooling directory, Flume will print an error to its log file and stop processing.
    即：拷贝到spool目录下的文件不可以再打开编辑
    ②If a file name is reused at a later time, Flume will print an error to its log file and stop processing.
    即：不能将具有相同文件名字的文件拷贝到这个目录下
     
      
       1
       2
       3
       4
      
     
      
       1
       2
       3
       4

a) 编写配置文件：

b) 启动flume agent a1 服务端

flume-ng  agent -n a1  -c ../conf  -f ../conf/spool.conf   -Dflume.root.logger=DEBUG,console
     
      
       1
      
     
      
       1

c) 使用cp命令向Spooling Directory 中发送数据

cp datafile  /usr/local/datainput   (注：datafile中的内容为：big data world！)
     
      
       1
      
     
      
       1

d) 在控制台上查看flume收集到的日志数据：   
![这里写图片描述][20160531092947740]   
从控制台显示的结果可以看出event的头信息中包含了时间戳信息。   
同时我们查看一下Spooling Directory中的datafile信息—-文件内容写入到channel之后，该文件被标记了：

[root@hadoop80 datainput]# ls
    datafile.COMPLETED
     
      
       1
       2
      
     
      
       1
       2

## 案例4：Spooling Directory Source ##

监听一个指定的目录，即只要应用程序向这个指定的目录中添加新的文件，source组件就可以获取到该信息，并解析该文件的内容，然后写入到channle。写入完成后，标记该文件已完成或者删除该文件。 其中 Sink：hdfs Channel：file (相比于案例3的两个变化)

a) 编写配置文件：

# Name the components on this agent
    a1.sources = r1
    a1.sinks = k1
    a1.channels = c1
    
    # Describe/configure the source
    a1.sources.r1.type = spooldir
    a1.sources.r1.spoolDir = /usr/local/datainput
    a1.sources.r1.fileHeader = true
    a1.sources.r1.interceptors = i1
    a1.sources.r1.interceptors.i1.type = timestamp
    
    # Describe the sink
    # Describe the sink
    a1.sinks.k1.type = hdfs
    a1.sinks.k1.hdfs.path = hdfs://hadoop80:9000/dataoutput
    a1.sinks.k1.hdfs.writeFormat = Text
    a1.sinks.k1.hdfs.fileType = DataStream
    a1.sinks.k1.hdfs.rollInterval = 10
    a1.sinks.k1.hdfs.rollSize = 0
    a1.sinks.k1.hdfs.rollCount = 0
    a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d-%H-%M-%S
    a1.sinks.k1.hdfs.useLocalTimeStamp = true
    
    # Use a channel which buffers events in file
    a1.channels.c1.type = file
    a1.channels.c1.checkpointDir = /usr/flume/checkpoint
    a1.channels.c1.dataDirs = /usr/flume/data
    
    # Bind the source and sink to the channel
    a1.sources.r1.channels = c1
    a1.sinks.k1.channel = c1
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30
       31
       32
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30
       31
       32

b) 启动flume agent a1 服务端

flume-ng  agent -n a1  -c ../conf  -f ../conf/spool.conf   -Dflume.root.logger=DEBUG,console
     
      
       1
      
     
      
       1

c) 使用cp命令向Spooling Directory 中发送数据

cp datafile  /usr/local/datainput   (注：datafile中的内容为：big data world！)
     
      
       1
      
     
      
       1

d) 在控制台上可以参看sink的运行进度日志：   
![这里写图片描述][20160531094446417]   
d) 在HDFS中查看flume收集到的日志数据：   
![这里写图片描述][20160531094639919]   
![这里写图片描述][20160531094652974]   
从案例1与案例2、案例3与案例4的对比中我们可以发现：flume的配置文件在编写的过程中是非常灵活的。

## 案例5：Exec Source ##

监听一个指定的命令，获取一条命令的结果作为它的数据源   
常用的是tail -F file指令，即只要应用程序向日志(文件)里面写数据，source组件就可以获取到日志(文件)中最新的内容 。 其中 Sink：hdfs Channel：file   
这个案列为了方便显示Exec Source的运行效果，结合[Hive][]中的external table进行来说明。

a) 编写配置文件：

# Name the components on this agent
    a1.sources = r1
    a1.sinks = k1
    a1.channels = c1
    
    # Describe/configure the source
    a1.sources.r1.type = exec
    a1.sources.r1.command = tail -F /usr/local/log.file
    
    # Describe the sink
    a1.sinks.k1.type = hdfs
    a1.sinks.k1.hdfs.path = hdfs://hadoop80:9000/dataoutput
    a1.sinks.k1.hdfs.writeFormat = Text
    a1.sinks.k1.hdfs.fileType = DataStream
    a1.sinks.k1.hdfs.rollInterval = 10
    a1.sinks.k1.hdfs.rollSize = 0
    a1.sinks.k1.hdfs.rollCount = 0
    a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d-%H-%M-%S
    a1.sinks.k1.hdfs.useLocalTimeStamp = true
    
    # Use a channel which buffers events in file
    a1.channels.c1.type = file
    a1.channels.c1.checkpointDir = /usr/flume/checkpoint
    a1.channels.c1.dataDirs = /usr/flume/data
    
    # Bind the source and sink to the channel
    a1.sources.r1.channels = c1
    a1.sinks.k1.channel = c1
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28

b)在[hive][Hive]中建立外部表—–hdfs://hadoop80:9000/dataoutput的目录，方便查看日志捕获内容

hive> create external table t1(infor  string)
        > row format delimited
        > fields terminated by '\t'
        > location '/dataoutput/';
    OK
    Time taken: 0.284 seconds
     
      
       1
       2
       3
       4
       5
       6
      
     
      
       1
       2
       3
       4
       5
       6

c) 启动flume agent a1 服务端

flume-ng  agent -n a1  -c ../conf  -f ../conf/exec.conf   -Dflume.root.logger=DEBUG,console
     
      
       1
      
     
      
       1

d) 使用echo命令向/usr/local/datainput 中发送数据

echo  big data > log.file
     
      
       1
      
     
      
       1

d) 在HDFS和Hive分别中查看flume收集到的日志数据：   
![这里写图片描述][20160531103741650]

hive> select * from t1;
    OK
    big data
    Time taken: 0.086 seconds
     
      
       1
       2
       3
       4
      
     
      
       1
       2
       3
       4

e)使用echo命令向/usr/local/datainput 中在追加一条数据

echo big data world! >> log.file
     
      
       1
      
     
      
       1

d) 在HDFS和Hive再次分别中查看flume收集到的日志数据：   
![这里写图片描述][20160531104040589]   
![这里写图片描述][20160531104108195]

hive> select * from t1;
    OK
    big data
    big data world!
    Time taken: 0.511 seconds
     
      
       1
       2
       3
       4
       5
      
     
      
       1
       2
       3
       4
       5

总结Exec source：Exec source和Spooling Directory Source是两种常用的日志采集的方式，其中Exec source可以实现对日志的实时采集，Spooling Directory Source在对日志的实时采集上稍有欠缺，尽管Exec source可以实现对日志的实时采集，但是当Flume不运行或者指令执行出错时，Exec source将无法收集到日志数据，日志会出现丢失，从而无法保证收集日志的完整性。

## 案例6：Avro Source ##

监听一个指定的Avro 端口，通过Avro 端口可以获取到Avro client发送过来的文件 。即只要应用程序通过Avro 端口发送文件，source组件就可以获取到该文件中的内容。 其中 Sink：hdfs Channel：file   
(注：Avro和Thrift都是一些序列化的网络端口–通过这些网络端口可以接受或者发送信息，Avro可以发送一个给定的文件给Flume，Avro 源使用AVRO RPC机制)   
Avro Source运行原理如下图：   
![这里写图片描述][20160531111151304]   
flume官网中Avro Source的描述：

Property     Name   Default Description
    channels      –  
    type          –     The component type name, needs to be avro
    bind          –     日志需要发送到的主机名或者ip，该主机运行着ARVO类型的source
    port          –     日志需要发送到的端口号，该端口要有ARVO类型的source在监听
     
      
       1
       2
       3
       4
       5
      
     
      
       1
       2
       3
       4
       5

1)编写配置文件

# Name the components on this agent
    a1.sources = r1
    a1.sinks = k1
    a1.channels = c1
    
    # Describe/configure the source
    a1.sources.r1.type = avro
    a1.sources.r1.bind = 192.168.80.80
    a1.sources.r1.port = 4141
    
    # Describe the sink
    a1.sinks.k1.type = hdfs
    a1.sinks.k1.hdfs.path = hdfs://hadoop80:9000/dataoutput
    a1.sinks.k1.hdfs.writeFormat = Text
    a1.sinks.k1.hdfs.fileType = DataStream
    a1.sinks.k1.hdfs.rollInterval = 10
    a1.sinks.k1.hdfs.rollSize = 0
    a1.sinks.k1.hdfs.rollCount = 0
    a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d-%H-%M-%S
    a1.sinks.k1.hdfs.useLocalTimeStamp = true
    
    # Use a channel which buffers events in file
    a1.channels.c1.type = file
    a1.channels.c1.checkpointDir = /usr/flume/checkpoint
    a1.channels.c1.dataDirs = /usr/flume/data
    
    # Bind the source and sink to the channel
    a1.sources.r1.channels = c1
    a1.sinks.k1.channel = c1
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
      
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29

b) 启动flume agent a1 服务端

flume-ng  agent -n a1  -c ../conf  -f ../conf/avro.conf   -Dflume.root.logger=DEBUG,console
     
      
       1
      
     
      
       1

c)使用avro-client发送文件

flume-ng avro-client -c  ../conf  -H 192.168.80.80  -p 4141 -F /usr/local/log.file
     
      
       1
      
     
      
       1

注：log.file文件中的内容为：

[root@hadoop80 local]# more log.file
    big data
    big data world!
     
      
       1
       2
       3
      
     
      
       1
       2
       3

d) 在HDFS中查看flume收集到的日志数据：   
![这里写图片描述][20160531112942467]   
![这里写图片描述][20160531122918121]   
![这里写图片描述][20160531122951552]

通过上面的几个案例，我们可以发现：flume配置文件的书写是相当灵活的—-不同类型的Source、Channel和Sink可以自由组合！

最后对上面用的几个flume source进行适当总结：   
① NetCat Source：监听一个指定的网络端口，即只要应用程序向这个端口里面写数据，这个source组件   
就可以获取到信息。   
②Spooling Directory Source：监听一个指定的目录，即只要应用程序向这个指定的目录中添加新的文   
件，source组件就可以获取到该信息，并解析该文件的内容，然后写入到channle。写入完成后，标记   
该文件已完成或者删除该文件。   
③Exec Source：监听一个指定的命令，获取一条命令的结果作为它的数据源   
常用的是tail -F file指令，即只要应用程序向日志(文件)里面写数据，source组件就可以获取到日志(文件)中最新的内容 。   
④Avro Source：监听一个指定的Avro 端口，通过Avro 端口可以获取到Avro client发送过来的文件 。即只要应用程序通过Avro 端口发送文件，source组件就可以获取到该文件中的内容。

如有问题，欢迎留言指正！

[Hadoop]: http://lib.csdn.net/base/hadoop
[20160530152554920]: /images/20220613/0af62feadd1e4f0bb8d5bbf29e33b710.png
[Link 1]: http://lib.csdn.net/base/architecture
[20160530153940611]: /images/20220613/9e6c7044fbbc4d6ba549f38204e93dfa.png
[20160530163300022]: /images/20220613/96748aa455054636990e5629c7b7811a.png
[20160530163629374]: /images/20220613/bb105febd63e42e79bb94fdac370761f.png
[Java]: http://lib.csdn.net/base/java
[Hbase]: http://lib.csdn.net/base/hbase
[20160530190347644]: /images/20220613/0efc0d96472d4f869e878b15c5718832.png
[Link 2]: http://lib.csdn.net/base/mysql
[20160530211114709]: /images/20220613/40c34a3a5a3c40b6bc985e1aa89e20db.png
[20160530213143487]: /images/20220613/a434f004871747e68bfe93e74e42d174.png
[20160530214141812]: /images/20220613/0403b010f87f44c39664a3897343600b.png
[20160531092947740]: /images/20220613/fe1b04efae7440c5918a39e7bc988adb.png
[20160531094446417]: /images/20220613/fb269c4302c54dc9a7b9b40edf217fc8.png
[20160531094639919]: /images/20220613/d4e323a05c744b2684d0162ac5acb7e2.png
[20160531094652974]: /images/20220613/5c26150a2306499692318f5d5abfdc05.png
[Hive]: http://lib.csdn.net/base/hive
[20160531103741650]: /images/20220613/865db52c1aa147388df876e893f50835.png
[20160531104040589]: /images/20220613/95d3ac17c14640ccb31d20a3bd3dcebf.png
[20160531104108195]: /images/20220613/63075d3d0e6f4ebfaa07f600a9e99115.png
[20160531111151304]: /images/20220613/9d358d65159743b7ba7f040cb16cc34c.png
[20160531112942467]: /images/20220613/c7e40f507de5407fa5f7df2c59a6b7e4.png
[20160531122918121]: /images/20220613/253e167f5c27481d824acf6386ce6e2e.png
[20160531122951552]: /images/20220613/6c0e2366727e400b97fcf6d9290a06ce.png