hadoop 可以两个集群之间做到每个节点之间一一对应实时同步么？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

› Apache Hadoop

› Hortonworks Sandbox

› Intel Hadoop Distribution

› Treasure Data

这是一个创建于 3042 天前的主题，其中的信息可能已经有所发展或是发生改变。

有 a,b 两个集群。 a 接收流数据，然后每个节点都同步到 b 。

a 的 1 节点新收的流同步到 b 的 1 ， a 的 2 到 b 的 2 。。。依次类推

然后a,b各自的修改也要能互相同步。

就是说保证 a ， b 的完全一致。

每秒几亿条。延迟秒级。

第 1 条附言 · 2016-08-31 16:32:22 +08:00

感谢各位了。然后很不幸的是。。。要求其实并没有那么高！（懵逼 ing ）经理的话不可信啊。。。跟工程师交流了一下。其实需求是这样的：
每秒大概几万条，峰值几十万条。几亿是数据的总量。
两个数据集群要互相备份，分别跑不同的计算。并且当一边的计算量特别大时要能调度到另一边去跑。
延时五分钟内。
尼玛这跟之前说的完全不一样啊！
现在各位有什么建议么？

节点

同步

集群

hadoop

29 条回复 • 2017-09-15 14:02:10 +08:00

1957704130

2016-08-31 10:55:29 +08:00

每秒几亿条，什么数据能到这个体量？

xmoiduts

2016-08-31 11:03:29 +08:00

看起来可能是金融云解决方案

zpole

2016-08-31 11:04:04 +08:00

@1957704130 好像是金融还是银行的

wander2008

2016-08-31 12:02:31 +08:00 via iPhone

给我 100w 我来给你解决

wyntergreg

2016-08-31 15:46:25 +08:00

每秒几亿就算是银行也是银行总部大机级别的，这事没多少人能给你解决

czheo

2016-08-31 15:55:00 +08:00

其他不说， a,b 各自的修改也要能互相同步: a,b 同时修改 conflict 怎么解决？肯定要类似 cassandra 的 eventual consistency 机制。
况且数据如何 replicate 到哪个 datanode 是是 balancer 自动控制的， a1 必须同步 b1 这种需求不理解啊。
你这个构架难度太大，改构架吧。

czheo

2016-08-31 15:57:54 +08:00

仔细想想，你这构架完全是 mysql 思维啊

ten789

2016-08-31 16:19:58 +08:00

mysql 相互主从呵呵了

zpole

2016-08-31 16:51:33 +08:00

@ten789 大概就是人家公司的某个项目想这样做，但想不到同步机制，然后经理就四处问，然后就到我这里了。我也不是很懂，就把经理说的夸大的需求发 v2 上了。现在跟工程师交流了下把需求改对了，但方案是人家的，也不想变。。。（我就是个小菜鸟，不要打我）（逃

zpole

2016-08-31 16:54:37 +08:00

@czheo 需求已改。现在您觉得这样做可行吗？不行的话架构可以怎么改？

wmttom

2016-08-31 17:21:45 +08:00

合并成一个集群可破，存储层用一套，想要安全多开副本。感觉搞两个集群应该是为了计算资源隔离吧，但是搞一个集群也能想各种办法分配调度计算任务啊，没必要搞两个。

zpole

2016-08-31 17:50:11 +08:00

@wmttom 搞两个集群还有一个目的是一边挂掉了另一边可以跟上，保证应用的不掉线。如果只开一个集群可以做到这个要求么？怎么做？

czheo

2016-08-31 19:00:34 +08:00

@zpole 用两套集群也是浪费啊。请搜索 Hadoop High Availability ， namenode 搞 active standby 就可以解决 single point of failure 。

czheo

2016-08-31 19:06:52 +08:00

你现在的思路完全是用 mysql 思维来用 Hadoop 啊，手动一个集群同步到另一个集群的做法在 Hadoop 下设置一个 replication factor 就解决了。高可用也只要解决 namenode 的 SPOF 就行了，遇到 job failure 大不了 retry 一下。

wph95

2016-08-31 19:15:35 +08:00

@czheo 他思路没问题 airbnb 就是这么搞的， airbnb 叫 gold && silve cluster 。可以通过这个关键词去找文章

wph95

2016-08-31 19:22:39 +08:00

不说机器规模和配置，就只说需求。
可以看看 ReAir ，觉得场景有点像
// 几亿是数据的总量, 这量一点都不多。

czheo

2016-08-31 20:20:03 +08:00

@wph95 谢谢分享，有 reair 的话，说不定 lz 这需求还真能实现。

defunct9

2016-08-31 21:10:47 +08:00 via iPhone

管过 600 节点 hadoop ，觉得在胡扯

zpole

2016-08-31 21:21:51 +08:00

@czheo 个人理解 active standby 里 standby 一般是不参与运算的，是用来受灾的时候恢复的。这个需求要两个数据中心双活，都能做运算。虽然有冗余但利用率更高。

tinybaby365

2016-08-31 21:58:32 +08:00 via iPhone

只用一个集群，提高可用性。 Hadoop 设计的目的就是不让你有如此想法。

czheo

2016-09-01 00:13:44 +08:00

@zpole 你描述的双数据中心，技术难点在于 hadoop 集群的 replicate 和 sync ， ls 已经有人有人给出 reair 这个轮子了，技术比较新，你调研下这个轮子的可行性。但是 airbnb 只做了单向的 replicate 和 sync ，和你描述的类似 circular replication 还是要再看看能不能像 mysql 一样手动回避 conflict 。

ten789

2016-09-01 11:51:21 +08:00

到底是异地容灾还是本地互备呢异地的不会搞本地的完全不需要每一个数据块都分布在 n 个 datanode 上而且 namenode 你可以再搞 m 个从

zpole

2016-09-01 12:18:04 +08:00

@ten789 是我没解释清楚。异地双活互备。

ooonme

2016-09-01 12:41:33 +08:00 via iPhone

hdfs 本身是分布式高容灾的，也支持机架感知。问题是你这是异地， io 累死，况且异地灾备是机房做的吧，业务还需要干预？这块不是很懂；谷歌的论文中提到他们的 GFS 支持多数据中心； but 一切大数据速度的基础是数据不动代码动；数据跑到代码所在的机器成本得多高，几十 mb 的代码跑到数据所在的机器执行就容易多了。 v2 做大数据的人好少

ooonme

2016-09-01 12:43:12 +08:00 via iPhone

@zpole hdfs 已经支持 ha ，放心吧。这些问题都已经被大公司解决了

ten789

2016-09-01 18:14:23 +08:00

@zpole 如果不存在 a b 之间的同步数据源直接发两份呗如果 ab 之间的同步这个难了

ClassicOldSong

2016-09-01 20:36:59 +08:00

@zpole 说点题外话，刚刚补完石头门，然后看到了这个帖子标题里“实时”二字突然有一种奇异的感觉，点进来一看你的头像又是红莉栖。。。难道这真的是石头门的选择么 2333333333333333

zpole

2016-09-01 21:20:23 +08:00

@ClassicOldSong 这一切都是 Steins;Gate 的选择

logo1907

2017-09-15 14:02:10 +08:00 via iPhone

可以尝试 Kafka mirror maker，点对点同步的需求需要用 kafka low level 的 consumer 接口自己实现