一 ,数据导论
1、数据是什么
人类的行为及产生的事件的一种记录称之为数据
2、数据的价值
- 对数据的内容进行深入分析,可以更好的帮助了解事和物在现实世界的运行规律
- 比如,购物的订单记录(数据)可以帮助平台更好的了解消费者,从而促进交易。
二 ,大数据诞生
1、大数据的诞生是跟随着互联网的发展的
- 当全球互联网逐步建成(2000年左右),各大企业或政府单位拥有了海量的数据亟待处理。
- 基于这个前提逐步诞生了以分布式的形式(即多台服务器集群)完成海量数据处理的处理方式,并逐步发展成现代大数据体系。
-
2. Apache Hadoop对大数据体系的意义
三,大数据概述
1、什么是大数据
狭义上:大数据是一类技术栈,是一种用来处理海量数据的软件技术体系。
广义上:大数据是数字化时代、信息化时代的基础(技术)支撑,以数据为生活赋能。
2、大数据的特征
大数据有5个主要特征,称之为:5V特性
Volume 体积-数据体量大
- 采集数据量大
- 存储数据量大
- 计算数据量大
- TB、PB级别起步
Variety 种类-种类、来源多样化
- 种类:结构化、半结构化、非结构化
- 来源:日志文本、图片、音频、视频
Value 价值-低价值密度
- 深度复杂的挖掘分析需要机器学习参与
- 信息海量但是价值密度低
Velocity 速度-速度快
- 数据增长速度快
- 获取数据速度快
- 数据处理速度快
Veracity 质量-数据的质量
- 数据的准确性
- 数据的可信赖度体积
3、大数据的核心工作
大数据的核心工作其实就是:从海量的高增长、多类别、低信息密度的数据中挖掘出高质量的结果
数据存储 可以妥善存储海量待处理数据
数据计算 可以从海量数据中计算出背后的价值
数据传输 协助在各个环节中完成海量数据的传输
四,大数据软件生态
1、数据存储
2、数据计算
3、数据传输
五,Apache Hadoop概述
1、什么是Hadoop
Hadoop是Apache软件基金会下的顶级开源项目,用以提供:
- 分布式数据存储
- 分布式数据计算
- 分布式资源调度
为一体的整体解决方案。
Apache Hadoop是典型的分布式软件框架,可以部署在1台乃至成千上万台服务器节点上协同工作。
个人或企业可以借助Hadoop构建大规模服务器集群,完成海量数据的存储和计算。
2、Hadoop的功能
通常意义上,Hadoop是一个整体,其内部还会细分为三个功能组件,分别是:
HDFS组件
- HDFS是Hadoop内的分布式存储组件
- 可以构建分布式文件系统用于数据存储
MapReduce组件
- MapReduce是Hadoop内分布式计算组件。提供编程接口供用户开发分布式计算程序
YARN组件
- YARN是Hadoop内分布式资源调度组件。
- 可供用户整体调度大规模集群的资源使用。
3、Hadoop发行版本
Apache开源社区版本
http://hadoop.apache.org/
商业发行版本
- CDH(Cloudera's Distribution, including Apache Hadoop) Cloudera公司出品,目前使用最多的商业版
- HDP(Hortonworks Data Platform),Hortonworks公司出品,目前被Cloudera收购
- 星环,国产商业版,星环公司出品,在国内政企使用较多