1.知识图谱
1.1.数据采集
名称 | 说明 |
---|---|
网络爬虫 | 按照一定规则自动抓取网站信息的程序,可以为数据收集提供来源。 |
Flume | 分布式、高可靠、高可用服务,可以有效收集、聚合、移动大量的日志数据。Flume的设计目的是要向Hadoop集群批量导入基于事件的海量数据。 |
Logstash | 开源服务器端数据处理管道,可以同时从多个数据来源采集数据和转换数据,并将数据传输至存储中。 |
Beats | 轻量级数据采集产品,包含用于收集网络流量数据的Packetbeat,用于收集系统、进程和文件系统级别CPU及内存使用情况的Topbeat,用于收集日志与文件数据的Filebeat,用于收集Windows事件日志数据的Winlogbeat。 |
1.2.数据存储
名称 | 说明 |
---|---|
HDFS | Hadoop Distributed File System,Hadoop分布式文件系统的简称。HDFS是一个高容错性的系统,可以部署在配置和价格相对较低的计算机上,能够提供高吞吐量的数据访问,适合大规模数据集上的应用。 |
HBase | Hadoop Database的简称,是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统。Hadoop项目的子项目,是可以运行在Hadoop集群上的NoSQL数据库。 |
1.3.数据挖掘
名称 | 说明 |
---|---|
Hive | 面向Hadoop生态的数据仓库,提供HiveQL用于查询和管理大数据。 |
Pig | 面向分布式大数据分析的平台,用于简化Hadoop任务,对MapReduce进行更高层次的封装,执行效率快,适用于实时分析。 |
Sqoop | 用于关系型数据库与Hadoop之间的数据传输,可以将数据导入到Hive或HBase中,并从Hadoop导出到关系型数据库。 |
1.4.数据处理
名称 | 说明 |
---|---|
Hadoop | 分布式系统基础架构,核心就是HDFS和MapReduce。 |
MapReduce | 面向大数据并行处理的计算模型、框架和平台。主要用于数据划分和计算任务调度、数据及代码互定位、系统优化、出错检测和恢复。Hadoop的实现就是依据MapReduce的原理。 |
Impala | Cloudera公司主导开发的新型查询系统,提供了SQL语义,可以查询存储在HDFS和HBase中的数据。与Hive相比其优势就是快。 |
Storm | 用来做大数据流实时处理的开源框架,可以相对可靠的处理无限的数据流,实时处理Hadoop的批任务。使用简单,支持多种类型的编程语言。 |
Spark | 一种基于内存的分布式并行计算框架,不同于MapReduce,Job中间输出结果可以保存在内存中,不需要读写HDFS,能更好的适应数据挖掘与机器学习等需要。 |
Flink | 开源流处理框架,以数据并行和流水线方式执行流数据程序,支持迭代算法的执行,比较适合处理在线的实时大数据。 |