大数据生态圈
纯概念
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、管理和处理的数据的集合,是需要新处理模式才能具备更强的决策力、洞察发现力和流程优化能力的海量、高增长和多样化的信息资产。
主要解决:海量数据的存储和海量数据的分析计算问题。
存储单位:Bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。1024转换
大数据特点:
- Volume:数据量非常庞大
- Velocity:数据量产生的速度非常快
- Variety;数据的多样性
- Value:低价值密度
大数据部门组织结构:平台组,数据仓库组,数据挖掘组,报表开发组
hadoop 的三大发行版本:Apache,Cloudera,Hortonworks
Hadoop的优势(4高):
- 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:在集群分配任务时,可方便的扩展数以千计的节点
- 高效性:在MapReduce的思想下,Hadoop是并行工作的,以加快任务处理的速度
- 高容错性:能够自动将失败的任务重新分配
HDFS:
- 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。数据本身
- Secondary NameNode(2NN):用来监控HDFS状态的辅助后台程序,每隔一段时间获取HDFS数据的快照
YARN:
MapReduce: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