大数据技术生态体系

1.数据来源层：

1. 数据库数据

   Oracle、MySQL、SqlServer…

2. 文件日志数据

   Tomcat 日志…

3. 视频、PPT等

2.数据传输层：

1. Sqoop

     Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。

2. Flume

     Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。处理日志非常专业

3. Kafka

   Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
   （1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
   （2）高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。
   （3）支持通过Kafka服务器和消费机集群来分区消息。
   （4）支持Hadoop并行数据加载。

3.数据存储层：

1. HDFS

   分布式文件存储系统，Hadoop最擅长存储数据的地方

2. Kafka

   Kafka内部也能缓存一些数据，默认就是1G的数据，通常不拿它来存储数据

3. HBase

   HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
    
   非关系型数据库，使用的是列存储方式

4.资源管理层：

1. YARN资源调度

   将数据存储下来，就需要对数据进行分析，分析就需要资源、CPU、内存、磁盘，
   这些都由Yarn来调度

5.数据计算层：

  数据计算，又分为：实时计算、离线计算 两部分

5.1 离线计算：

  离线计算：主要来统计日活、月活、年统计、本月消费情况等，并不是实时的数据

1. MapReduce 离线计算（MR属于Hadoop的核心计算框架）

   基于MR之上，有 Hive 和 Mahout 等数据分析工具

   Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
    
     Hive 底层就是 MapReduce，写 MapReduce 程序需要 Map、Reduce、Driver类，写起来比较麻烦。为了简化就有了 Hive，它通过简单的写一条 SQL 就可以实现 MapReduce 过程。Hive就是底层封装成MapReduce、上层就是写SQL
    
   Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库，偏机器学习方向

2. Spark Core 基于内存离线计算（断电数据丢失，也很危险的）

   基于Spark之上，集成了很多功能
    
   Spark Mlib：机器学习的一些算法
    
   Spark R：R语言是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具
    
   Spark Sql：和 Hive 很相似，写 Sql 实现分析计算的过程

5.2 实时计算：

1. Spark Streaming 准实时计算

     Spark 是当前最流行的开源大数据内存计算框架。可以基于 Hadoop 上存储的大数据进行计算。
    
     Spark Streaming 并不是完全实时的，它底层采用的是批处理技术(就是一批一批的处理，相当于是微批处理)，所以说 Spark Streaming 是准实时计算

2. Storm：实时计算

     Storm 是实时计算。Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。但是它已经在走下坡路了。新起的 Flink 项目更优秀

3. Flink：实时计算

     Flink 是时下很流行的实时计算框架。全面对标 Spark。Flink 支持实时计算，由于 Flink 引擎比较强大，它也同样支持离线计算。
    
     Flink专题，你也可以来看我的博客：https://blog.csdn.net/lzb348110175/category_9677037.html

6.任务调度层

  主要完成任务之间的执行调度问题。比如：任务何时启动、任务运行多长时间、r任务间的依赖问题，必须在A任务完成后才能执行B任务、多个任务的并行执行等，就需要用到任务调度了。

1. Oozie 任务调度

   Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统
    
   Oozie属于偏重量级的，功能是这三个调度中最复杂的。

2. Azkaban 任务调度

   Azkaban，使用起来比较简单

3. crontab 任务调度

   crontab 是 Linux自带的一个调度工具。

7.数据平台配置

1. Zookeeper

     Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。
    
     收集大数据生态体系中很多框架的配置信息，经常需要改变的统统都放到ZK中，如果改变时，只改变ZK中的配置就行。
   比如：Spark 中易改变的配置，都放在ZK中，改完后进行配置分发即可(Spark比如有1000台机器，就很方便了)

8.业务模型层

1. JavaEE

   主要来解决企业问题，使用到的都是 JavaEE 相关技术，包括业务指标，数据可视化、BI报表等

---

博主写作不易，来个关注呗

求关注、求点赞，加个关注不迷路 ヾ(◍°∇°◍)ﾉﾞ

我不能保证所写的内容都正确，但是可以保证不复制、不粘贴。保证每一句话、每一行代码都是亲手敲过的，错误也请指出，望轻喷 Thanks♪(･ω･)ﾉ