什么是大数据？大数据用来干嘛？

1、何为大数据？

大数据是指很多很多的数据，主要源于web2.0之后，数据库中的数据量累计起来很庞大，在对数据进行操作（主要指查询）会变得很慢，对机器的性能要求会很高，如果数据量达到足够大（如十几亿），那服务器会崩溃的

2、大数据解决什么问题？

大数据解决对海量数据的存储、查询、分析计算等操作，主要应用在利用庞大的数据归类分析用户的偏好，利用用户的历史信息得出相应的统计账单等，将同行业的大公司的数据进行计算分析，可以挖掘出一些隐含价值。

3、学习大数据的基础

1）java SE，EE(SSM) 
因为90%的大数据框架都是java写的 
2）SQL 
特别是sql语句中的查询语句，因为对数据库的操作最多的是查询 
使用Hadoop作为大数据的分布式存储、计算和分析 sql的操作会重要 
3）Linux 
大数据的框架安装在Linux操作系统上

4、需要学什么

*第一方面：大数据离线分析*

一般处理T+1数据（T是指日、周、月、年），处理历史数据 
模块1：Hadoop 
包括四大块（common、yarn、MapReduce、HDFS） 
主要掌握环境搭建、处理数据的思想 
模块2：Hive 
大数据数据仓库 
通过写SQL对数据进行操作，类似于mysql数据库中的sql 
模块3：HBase 
基于HDFS的NOSQL数据库 
面向列的存储 
协作框架： 
sqoop（桥梁：HDFS 《==》RDBMS） 
flume:收集日志文件中信息 
调度框架anzkaban, 
了解：crotab（Linux自带）、zeus(Alibaba)、Oozie(cloudera) 
扩展前沿框架：kylin、impala、ElasticSearch（ES）

第二方面：大数据离线分析

以spark框架为主 
Scala：OOP + FP 
sparkCore:类比MapReduce 
sparkSQL:类比hive 
sparkStreaming：实时数据处理 
kafka:消息队列 
前沿框架扩展：flink 
阿里巴巴 blink

第三方面：大数据机器学习（扩展） 
spark MLlib:机器学习库 
pyspark编程：Python和spark的结合 
推荐系统 
python数据分析 
Python机器学习

大数据框架安装功能来划分

1、海量数据存储：

HDFS、Hive（本质存储数据还是hdfs）、HBASE、ES

2、海量数据分析：

MapReduce、Spark、SQL

最原始的Hadoop框架 
数据存储：HDFS（Hadoop Distributed File System） 
数据分析：MapReduce

Hadoop的起源 
Google的三篇论文 
虽然Google没有公布这三个产品的源码， 
但是他发布了这三个产品的详细设计论文， 
奠定了风靡全球的大数据算法的基础！

Hadoop介绍 
大数据绝大多数框架，都属于Apache顶级项目 
http://apache.org/ 
hadoop官网： 
http://hadoop.apache.org/

分布式 
相对于【集中式】 
需要多台机器，进行协助完成。

    元数据：记录数据的数据
    架构：
        主节点Master   老大，管理者
            管理
        从节点Slave    从属，奴隶，被管理者
            干活

• 1
• 2
• 3
• 4
• 5
• 6

Hadoop也是分布式架构 
HDFS: 
主节点：NameNode 
决定着数据存储到那个DataNode上 
从节点：DataNode 
存储数据

**MapReduce:**
    分而治之思想
    将海量的数据划分为多个部分，每部分数据进行单独的处理，最后将所有结果进行合并
    map task
        单独处理每一部分的数据、

    reduce task
        合并map task的输出

**YARN:**
    分布式集群资源管理框架，管理者集群的资源（Memory,cpu core）
    合理调度分配给各个程序（MapReduce）使用
    主节点：resourceManager
        掌管集群中的资源
    从节点：nodeManager
        管理每台集群资源

**总结：Hadoop的安装部署**
    都属于java进程，就是启动了JVM进程，运行服务。
    HDFS：存储数据，提供分析的数据
        NameNode/DataNode
    YARN:提供程序运行的资源
        ResourceManager/NodeManager