Cloudera Development Kit(CDK) 简介

Cloudera Development Kit(CDK) 简介

guibin.beijing@gmail.com

2013.07.02

CDK简介

CDK(Cloudera Development Kit) 就是一些Cluodera开发的库、工具和文档的集合。CDK这个项目存在的价值在于使得在基于Hadoop生态系统上开发系统更加容易。这个项目是按照模块组织的，模块之间或者独立，或者依赖CDK内的其他模块，但是尽量少的依赖外部项目模块。CDK的文档主页在这里：http://cloudera.github.io/cdk/docs/0.2.0/index.html，项目主页：http://cloudera.github.com/cdk/cdk-data。

当前CDK有以下三个模块：

• CDK Data

CDK Data 模块在存储系统(HDFS)之上提供了逻辑抽象，使得用户能依据“records, datasets, and dataset repositories”这些概念去思考和操作数据。CDK Data的适用场景：如果你正在寻求一种方式
直接向存储系统中读/写数据记录，那么CDK Data应该就是你想要的。CDK Data 提供了操作Cloudra平台中数据集的简单、直观的API。换句话说，CDK Data所处的位置比 Hadoops input/output formats API低一个等级，比标准的HDFS+AVRO API高一个等级。

• CDK Example

CDK Example提供了一些例子用于学习和适用CDK。

• CDK Tools

CDK Tools提供了命令行公斤和API用于操作CDK的公共功能。

源代码

CDK的源代码地址：
https://github.com/cloudera/cdk。

为什么要用CDK Data而不使用HDFS提供的API直接操作HDFS？

HDFS确实提供了用于操作HDFS的API，但是这些API(
FSInputStream,
FSOutputStream)都是面向字节流的，太底层、很不直观。
大多数的开发者更愿意思考更高层次的对象，而不是底层的文件、目录；而且开发者喜欢将表、数据集的概念移植到存储在HDFS上的数据上，因为这样更易于理解。CDK Data就着眼于这个需求，向开发者提供了立即可用的、令人愉快的方式用于操作Hadoop生态系统，并且不损失操作数据的效率。

CDK Data目前已知的局限性

1. 目前不可以rename dataset。
2. 当多进程操作数据集时，目前没有锁机制和进程间的协调机制。
3. 不能确保被FileSystem*实现的writer所生成的文件名是真正唯一的。
4. 所有的data set都使用Snappy压缩，目前不可以disable压缩或者更换不同的压缩方式。