Fork me on GitHub

Hadoop基础知识

大数据概论

大数据概念

  大数据(big data):指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
  主要解决,海量数据的 存储 和海量数据的 分析计算 问题。

  按顺序给出数据存储单位:bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。
  1Byte = 8bit
  1K = 1024Byte
  1MB = 1024K
  1G = 1024M
  1T = 1024G
  1P = 1024T

大数据的特点

  1.Volume(大量)
  截至目前,人类生产的所有印刷材料的数据量是200PB,而历史上全人类总共说过的话的数据量大约是5EB。当前,典型个人计算机硬盘的容量为TB量级,而一些大企业的数据量已经接近EB量级。

  2.Velocity(高速)
  这是大数据区分于传统数据挖掘的最显著特征。根据IDC的“数字宇宙”的报告,预计到2020年,全球数据使用量将达到35.2ZB。在如此海量的数据面前,处理数据的效率就是企业的生命。
  天猫双十一:2017年3分01秒,天猫交易额超过100亿

  3.Variety(多样)
  这种类型的多样性也让数据被分为结构化数据和非结构化数据。相对于以往便于存储的 以数据库/文本为主的结构化数据,非结构化数据 越来越多,包括 网络日志、音频、视频、图片、地理位置信息 等,这些多类型的数据对数据的处理能力提出了更高要求。

  4.Value(低价值密度)
  价值密度的高低与数据总量的大小成反比。比如,在一天监控视频中,我们只关心宋宋老师晚上在床上健身那一分钟,如何快速对有价值数据“提纯”成为目前大数据背景下待解决的难题。

大数据能干啥?

  1、O2O:百度大数据+平台通过先进的线上线下打通技术和客流分析能力,助力商家精细化运营,提升销量。
  2、零售:探索用户价值,提供个性化服务解决方案;贯穿网络与实体零售,携手创造极致体验。经典案例,子尿布+啤酒。
  3、旅游:深度结合大数据能力与旅游行业需求,共建旅游产业智慧管理、智慧服务和智慧营销的未来。
  4、商品广告推荐:给用户推荐访问过的商品广告类型
  5、保险:海量数据挖掘及风险预测,助力保险行业精准营销,提升精细化定价能力。
  6、金融:多维度体现用户特征,帮助金融机构推荐优质客户,防范欺诈风险。
  7、房产:大数据全面助力房地产行业,打造精准投策与营销,选出更合适的地,建造更合适的楼,卖给更合适的人。
  8、人工智能:

企业数据部的业务流程分析

  1.产品人员提需求(统计总用户数、日活跃用户数、回流用户数等)
  2.数据部门搭建数据平台、分析数据指标
  3.数据可视化(报表展示、邮件发送、大屏幕展示等)

企业数据部的一般组织结构

  


从Hadoop框架讨论大数据生态

Hadoop是什么

  Hadoop是一个由Apache基金会所开发的 分布式 系统基础架构.
  主要解决,海量数据的 存储 和海量数据的 分析计算 问题。
  广义上来说,HADOOP通常是指一个更广泛的概念——HADOOP生态圈

Hadoop发展历史

  1)Lucene–Doug Cutting开创的开源软件,用java书写代码,实现与Google类似的全文搜索功能,它提供了全文检索引擎的架构,包括完整的查询引擎和索引引擎
  2)2001年年底成为apache基金会的一个子项目
  3)对于大数量的场景,Lucene面对与Google同样的困难
  4)学习和模仿Google解决这些问题的办法 :微型版Nutch
  5)可以说Google是hadoop的思想之源(Google在大数据方面的三篇论文)
  GFS —>HDFS
  Map-Reduce —>MR
  BigTable —>Hbase
  6)2003-2004年,Google公开了部分GFS和Mapreduce思想的细节,以此为基础Doug Cutting等人用了2年业余时间实现了DFS和Mapreduce机制,使Nutch性能飙升
  7)2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。2006 年 3 月份,Map-Reduce和Nutch Distributed File System (NDFS) 分别被纳入称为 Hadoop 的项目中
  8)名字来源于Doug Cutting儿子的玩具大象
  9)Hadoop就此诞生并迅速发展,标志这云计算时代来临

Hadoop三大发行版本

  Apache、Cloudera、Hortonworks
  1)Apache版本最原始(最基础)的版本,对于入门学习最好。
  2)Cloudera在大型互联网企业中用的较多。
  3)Hortonworks文档较好。

Hadoop的优势

  1)高可靠性:因为Hadoop假设计算元素和存储会出现故障,因为它维护多个工作数据副本,在出现故障时可以对失败的节点重新分布处理。
  2)高扩展性:在集群间分配任务数据,可方便的扩展数以千计的节点。
  3)高效性:在MapReduce的思想下,Hadoop是并行工作的,以加快任务处理速度。
  4)高容错性:自动保存多份副本数据,并且能够自动将失败的任务重新分配。

Hadoop组成

  1)Hadoop HDFS:一个高可靠、高吞吐量的分布式文件系统。
  2)Hadoop MapReduce:一个分布式的离线并行计算框架。
  3)Hadoop YARN:作业调度与集群资源管理的框架。
  4)Hadoop Common:支持其他模块的工具模块。
  

HDFS

  1)NameNode(nn):存储文件的元数据,如文件名,文件目录结构,文件属性(生成时间、副本数、文件权限),以及每个文件的块列表和块所在的DataNode等。类似韦小宝要学的“绝世武功”目录
  2)DataNode(dn):在本地文件系统存储文件块数据,以及块数据的校验和。类似韦小宝要学的“绝世武功”目录对应的秘籍
  3)Secondary NameNode(2nn):用来监控HDFS状态的辅助后台程序,每隔一段时间获取HDFS元数据的快照。

YARN

  1)ResourceManager(rm):处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度;
  2)NodeManager(nm):单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令;
  3)ApplicationMaster:数据切分、为应用程序申请资源,并分配给内部任务、任务监控与容错。
  4)Container:对任务运行环境的抽象,封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。
  

MapReduce

  MapReduce将计算过程分为两个阶段:Map和Reduce
  1)Map阶段并行处理输入数据
  2)Reduce阶段对Map结果进行汇总
  
  上图简单的阐明了map和reduce的两个过程或者作用,虽然不够严谨,但是足以提供一个大概的认知,map过程是一个蔬菜到制成食物前的准备工作,reduce将准备好的材料合并进而制作出食物的过程。

大数据技术生态体系

  
  

-----------------本文结束,感谢您的阅读-----------------