大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细！ ...

点一下关注吧！！！非常感谢！！持续更新！！！

现在已经更新到了：

• Hadoop（已更完）
  
• HDFS（已更完）
  
• MapReduce（已更完）
  
• Hive（已更完）
  
• Flume（已更完）
  
• Sqoop（已更完）
  
• Zookeeper（已更完）
  
• HBase（已更完）
  
• Redis （已更完）
  
• Kafka（已更完）
  
• Spark（已更完）
  
• Flink（已更完）
  
• ClickHouse（已更完）
  
• Kudu（已更完）
  
• Druid（正在更新…）
  

章节内容

上节我们完成了如下的内容：

• Apache Druid 系统架构 核心组件介绍
  
• Druid 单机模式配置启动
  

整体介绍

Apache Druid 是一种高性能、分布式的列式存储数据库，专门用于及时分析和查询大规模数据集。它实用于 OLAP（在线分析处理）场景，尤其在处理大数据及时流时表现良好。Druid 的架构由多个组件组成，主要包括数据摄取、存储、查询和管理。
在集群配置方面，Druid 通常由以下节点构成：

• 数据摄取层：使用 MiddleManager 节点来处理数据的及时摄取，负责从不同数据源（如 Kafka、HDFS 等）读取数据并进行及时处理。
  
• 存储层：数据存储在 Historical 节点上，这些节点负责存储和管理较老的数据，支持高效的查询。数据被以列式格式存储，优化了查询性能。
  
• 查询层：Broker 节点充当查询路由器，接受用户的查询哀求并将其分发到相应的 Historical 或 Real-time 节点，然后将结果汇总返回给用户。
  
• 协调层：Coordinator 节点负责集群的状态管理和数据分配，确保数据均匀分布并自动处理节点故障。
  

Druid 的配置文件答应用户自界说参数，如 JVM 设置、内存分配和数据分片策略，以便根据不同的工作负载和性能需求进行优化。此外，Druid 还支持多种查询语言，包括 SQL，便于用户进行机动的数据分析。整体上，Druid 提供了一种高效、可扩展的办理方案，适合必要快速及时分析的大数据应用场景。
修改配置【续接上篇】

historical

参数大小根据现实环境调整

1. vim $DRUID_HOME/conf/druid/cluster/data/historical/jvm.config

复制代码

原配置内容如下所示：

1. -server
2. -Xms8g
3. -Xmx8g
4. -XX:MaxDirectMemorySize=13g
5. -XX:+ExitOnOutOfMemoryError
6. -Duser.timezone=UTC
7. -Dfile.encoding=UTF-8
8. -Djava.io.tmpdir=var/tmp
9. -Djava.util.logging.manager=org.apache.logging.log4j.jul.LogManager

复制代码

修改内容如下：

1. -server
2. -Xms512m
3. -Xmx512m
4. -XX:MaxDirectMemorySize=1g
5. -XX:+ExitOnOutOfMemoryError
6. -Duser.timezone=UTC+8
7. -Dfile.encoding=UTF-8
8. -Djava.io.tmpdir=var/tmp
9. -Djava.util.logging.manager=org.apache.logging.log4j.jul.LogManager

复制代码

修改结果如下图：

此外还有一个参数：

1. vim $DRUID_HOME/conf/druid/cluster/data/historical/runtime.properties

复制代码

原配置内容如下：

1. druid.processing.buffer.sizeBytes=500MiB

复制代码

修改为如下内容：

1. # 相当于 50MiB
2. druid.processing.buffer.sizeBytes=50000000

复制代码

修改的截图如下：

备注：

• druid.processing.buffer.sizeBytes 每个查询用于聚合的对外哈希表的大小
  
• maxDirectMemory = druid.processing.buffer.sizeBytes * (durid.processing.numMergeBuffers + druid.processing.numThreads + 1)
  
• 如果 druid.processing.buffer.sizeBytes太大的话，必要加大 maxDirectMemory，否则 historical服务无法启动
  

broker

1. vim $DRUID_HOME/conf/druid/cluster/query/broker/jvm.config

复制代码

原配置如下：

1. -server
2. -Xms12g
3. -Xmx12g
4. -XX:MaxDirectMemorySize=6g
5. -XX:+ExitOnOutOfMemoryError
6. -Duser.timezone=UTC
7. -Dfile.encoding=UTF-8
8. -Djava.io.tmpdir=var/tmp
9. -Djava.util.logging.manager=org.apache.logging.log4j.jul.LogManager

复制代码

修改配置如下：

1. -server
2. -Xms512m
3. -Xmx512m
4. -XX:MaxDirectMemorySize=512m
5. -XX:+ExitOnOutOfMemoryError
6. -Duser.timezone=UTC+8
7. -Dfile.encoding=UTF-8
8. -Djava.io.tmpdir=var/tmp
9. -Djava.util.logging.manager=org.apache.logging.log4j.jul.LogManager

复制代码

修改截图如下图：

此外还必要修改额外的参数：

1. vim $DRUID_HOME/conf/druid/cluster/query/broker/runtime.properties

复制代码

原参数为：

1. druid.processing.buffer.sizeBytes=500MiB

复制代码

修改为：

1. # 与刚才修改的一样 大约是50MiB
2. druid.processing.buffer.sizeBytes=50000000

复制代码

修改截图如下所示：

备注：

• druid.processing.buffer.sizeBytes 每个查询用于聚合的堆外哈希表的大小
  
• maxDirectMemory = druid.processing.buffer.sizeBytes*(druid.processing.numMergeBuffers + druid.processing.numThreads + 1)
  
• 如果 druid.processing.buffer.sizeBytes 太大，那么必要加大maxDirectMemory，否则 broker 服务无法启动
  

router

1. vim $DRUID_HOME/conf/druid/cluster/query/router/jvm.config

复制代码

原配置如下：

1. -server
2. -Xms1g
3. -Xmx1g
4. -XX:+UseG1GC
5. -XX:MaxDirectMemorySize=128m
6. -XX:+ExitOnOutOfMemoryError
7. -Duser.timezone=UTC
8. -Dfile.encoding=UTF-8
9. -Djava.io.tmpdir=var/tmp
10. -Djava.util.logging.manager=org.apache.logging.log4j.jul.LogManager

复制代码

修改配置如下：

1. -server
2. -Xms128m
3. -Xmx128m
4. -XX:+UseG1GC
5. -XX:MaxDirectMemorySize=128m
6. -XX:+ExitOnOutOfMemoryError
7. -Duser.timezone=UTC+8
8. -Dfile.encoding=UTF-8
9. -Djava.io.tmpdir=var/tmp
10. -Djava.util.logging.manager=org.apache.logging.log4j.jul.LogManager

复制代码

修改截图如下：

配置汇总

• coordinator-overlord：512M
  
• historical：512M，堆外1G
  
• middleManger：128M
  
• broker：512M、堆外512M
  
• router：128M，堆外128M
  

分发软件

你可以用的方式完成，我这里用之前写好的 rsync-script 工具进行分发，刚才我们配置都是在 h121 节点上完成的，以是接下来，我们从 h121 节点分发到 h122、h123

1. rsync-script apache-druid-30.0.0

复制代码

运行结果如下图所示：

分发之后，要注意你必要修改的东西：

• common.runtime.properties中的 druid.host 为地点节点的IP
  
• h121 h122 h123 上都配置好环境、环境变量等内容
  

启动服务

ZK启动

在三台节点上都必要启动ZK，并且必要组成ZK集群。
这部门内容之前已经有 ZooKeeper集群环境搭建，且在多个环节中，如Kafka集群环节中已经测试过。

1. zkServer.sh start

复制代码

启动 Hadoop

1. start-all.sh
2. # 或者只启动 dfs也行
3. start-dfs.sh

复制代码

实行结果如下图所示：

Druid启动

h121 查询节点

这里是查询节点

1. cd /opt/servers/apache-druid-30.0.0
2. nohup start-cluster-query-server &

复制代码

运行结果如下图所示：

h122 数据节点

这里是数据节点

1. cd /opt/servers/apache-druid-30.0.0
2. nohup start-cluster-data-server &

复制代码

运行结果如下图所示：

h123 主节点

这里是主节点

1. cd /opt/servers/apache-druid-30.0.0
2. nohup start-cluster-master-no-zk-server &

复制代码

运行结果如下所示：

日志检察

可以在log下检察，我这里是检察了 nohup 的内容
h121

h122

h123

制止服务

必要在每个节点都实行：

1. # 在各个节点运行
2. /opt/servers/apache-druid-30.0.0/bin/service --down

复制代码

检察界面

1. http://h121.wzk.icu:8888

复制代码

页面结果如下：

到此！顺利完成！一路艰难险阻！

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。