一、大数据概论
1. 大数据概念
- 大数据: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。
- 大数据主要解决海量数据的采集、存储和分析计算问题。
- 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 1T = 1024G
2. 大数据特点
- Volume(大量)
数据的大小决定所考虑的数据的价值和潜在的信息
- Velocity(高速)
大数据区分于传统数据挖掘的最显著特征
- Variety(多样)
数据被分为结构化数据和非结构化数据
- Value(低价值密度)
价值密度的高低和数据总量的大小成反比
3. 大数据应用场景
- 抖音:推荐用户喜欢的视频
- 电商站内广告:推荐给用户推荐可能喜欢的商品
- 零售:分析用户消费习惯,为用户购买商品提供方便
- 保险:海量数据挖掘及风险预测,精准营销,提升精细化定价能力
- 金融:多维度体现用户特征,推荐优质客户
- 人工智能+5G+物流网+虚拟与现实
4. 大数据部门
大数据部门间业务流程分析
大数据部门内组织架构
5. 大数据技术生态体系
二、Hadoop概述
1. 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通常是一个更广泛的概念——Hadoop生态圈。
2. Hadoop发展历史
- Hadoop创始人Doug Cutting,为了实现与Google类似的全文搜索功能,他在Lucene框架基础上进行优化升级,查询引擎和索引引擎。
- 2001年年底Lucene成为Apache基金会的一个子项目。
- 对于海量数据的场景,Lucene框架面对与Google同样的困难,存储海量数据困难,检索海量速度慢。
- 学习和模仿Google解决这些问题的办法:微型版Nutch。
- 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
- 2003-2004年,Google公开了部分GFS和MapReduce思想的细节,以此为基础DougCutting等人用了2年业余时间实现了DFS和MapReduce机制,便Nutch性能飙升。
- 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)分别被纳入到Hadoop项目中,Hadoop就此正式诞生,标志着大数据时代来临。
- 名字来源于Doug Cutting儿子的玩具大象
3. Hadoop三大发行版本
Hadoop三大发行版本:Apache、Cloudera、Hortonworks。
- Apache版本最原始(最基础)的版本,对于入门学习最好。
- Cloudera内部集成了很多大数据框架,对应产品CDH。
- Hortonworks文档较好,对应产品HDP。Hortonworks现在已经被Cloudera公司收购,推出新的品牌CDP。
4. Hadoop优势
- 高可靠性:Hadoop底层维护多个数据副本,所以即使Hadoop某个计算元素或存储出现故障,也不会导致数据的丢失。
- 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。
- 高效性:在MapReduce思想下,Hadoop是并行工作的,以加快任务处理速度。
- 高容错性:能够自动将失败的任务重新分配。
5. Hadoop组成
5.1 Hadoop1.x、2.x、3.x区别
- 在Hadoop1.x时代,Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度,耦合性较大。
- 在Hadoop2.x时代,增加了Yarn,Yarn只负责资源的调度,MapReduce只负责运算。
- Hadoop3.x在组成上没有变化。
5.2 HDFS架构概述
Hadoop Distributed File System,简称HDFS,是一个分布式文件系统。
- 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。
- 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。
- Secondary NameNode(2nn):每隔一段时间对NameNode元数据备份。
5.3 YARN架构概述
Yet Another Resource Negotiator简称YARN ,另一种资源协调者,是Hadoop的资源管理器。
- ResourceManager(RM):整个集群资源(内存、CPU等)的老大。
- NodeManager(NM):单个节点服务器资源的老大。
- ApplicationMaster(AM):单个任务运行的老大。
- Container:容器,相当一台独立的服务器,里面封装了任务运行所需要的资源,如内存、CPU、磁盘、网络等。
说明
- 客户端可以有多个。
- 集群上可以运行多个ApplicationMaster。
- 每个NodeManager上可以有多个Container。
5.4 MapRuduce架构概述
MapReduce将计算过程分为两个阶段:Map和Reduce。
- Map阶段并行处理输入数据
- Reduce阶段对Map结果进行汇总
5.5 HDFS、YARN、MapReduce三者关系
客户端Client提交任务到资源管理器(ResourceManager),资源管理器接收到任务之后去NodeManager节点开启任务(ApplicationMaster),ApplicationMaster向ResourceManager申请资源,若有资源ApplicationMaster负责开启任务即MapTask。开始分析任务,每个map独立工作,各自负责检索各自对应的DataNode,将结果记录到HDFS,DataNode负责存储,NameNode负责记录,2nn负责备份部分数据。