大数据复习提纲
一、题型
1 单选题(20题,40分);2 多选题(10题,20分);3 简答题(4题,40分)
二、复习重点
第1章 理解大数据的基本概念;掌握大数据的主要持点;掌握大数据的关键技术和主要应用。
基本概念:大数据(big data),或称巨量资料,指的是所涉及的资料量规模巨大到无法透过主流软件工具,在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。
主要特点:“4V”数据量大(volume)、数据类型繁多(variety)、处理速度快(velocity)、价值密度低(value)。
大数据的关键技术:数据采集与预处理、数据存储和管理、数据处理与分析、数据安全和隐私保护。
- 掌握Hadoop的发展历史,如创始人,发展历程等:掌挥Hadoop的几种运行模式,以及应用框架等。
Hadoop发展史:
Hadoop最初是由Apache Lucene项目的创始人Doug Cutting开发的文本搜索库。Hadoop源自始于2002年的Apache Nutch项目——一个开源的网络搜索引擎并且也是Lucene项目的一部分;
在2004年,Nutch项目也模仿GFS开发了自己的分布式文件系统NDFS(Nutch Distributed File System),也就是HDFS的前身;
2004年,谷歌公司又发表了另一篇具有深远影响的论文,阐述了MapReduce分布式编程思想;
2005年,Nutch开源实现了谷歌的MapReduce;
到了2006年2月,Nutch中的NDFS和MapReduce开始独立出来,成为Lucene项目的一个子项目,称为Hadoop,同时,Doug Cutting加盟雅虎;
2008年1月,Hadoop正式成为Apache顶级项目,Hadoop也逐渐开始被雅虎之外的其他公司使用;
2008年4月,Hadoop打破世界纪录,成为最快排序1TB数据的系统,它采用一个由910个节点构成的集群进行运算,排序时间只用了209秒;
在2009年5月,Hadoop更是把1TB数据排序时间缩短到62秒。Hadoop从此名声大震,迅速发展成为大数据时代最具影响力的开源分布式开发平台,并成为事实上的大数据处理标准;
Hadoop的几种运行模式:Hadoop的运行模式分为3种:本地运行模式、伪分布运行模式、集群运行模式。
Hadoop包括三种安装模式:
l单机模式:只在一台机器上运行,存储是采用本地文件系统,没有采用分布式文件系统HDFS;
l伪分布式模式:存储采用分布式文件系统HDFS,但是,HDFS的名称节点和数据节点都在同一台机器上;
l分布式模式:存储采用分布式文件系统HDFS,而且,HDFS的名称节点和数据节点位于不同机器上。
Hadoop应用框架:
组件 |
功能 |
HDFS |
分布式文件系统 |
MapReduce |
分布式并行编程模型 |
YARN |
资源管理和调度器 |
Tez |
运行在YARN之上的下一代Hadoop查询处理框架 |
Hive |
Hadoop上的数据仓库 |
HBase |