目录
大数据简介¶
数据¶
数据就是数值,也就是我们通过观察、实验或计算得出的结果。数据有很多种,最简单的就是数字。数据也可以是文字、图像、声音等。在计算机系统中,数据以二进制信息单元 0,1 的形式表示。
大数据¶
大数据(big data),指的是在一定时间范围内不能以常规软件工具处理(存储和计算)的大而复杂的数据集。
- 数据衡量单位
- 从小到大排列:bit、Byte、KB、MB、GB、TB、PB、EB、 ZB、YB、BB、NB、DB
据国际数据公司(IDC)统计,全球数据总量预计 2020 年达到 44ZB,中国数据量将达到 8060EB, 占全球数据总量的 18%
- 大数据的特点
- 容量(Volume):数据的大小决定所考虑的数据的价值和潜在的信息
- 新浪微博,3 亿用户,每天上亿条微博
- 朋友圈,8 亿用户,每天亿级别朋友圈
- 种类(Variety):数据类型的多样性,包括文本,图片,视频,音频
- 结构化数据:可以用二维数据库表来抽象,抽取数据规律
- 半结构化数据:介于结构化和非结构化之间,主要指 XML,HTML 等,也可称非结构化
- 非结构化数据:不可用二维表抽象,比如图片,图像,音频,视频等
- 速度(Velocity):指获得数据的速度以及处理数据的速度
- 数据的产生呈指数式爆炸式增长
- 处理数据要求的延时越来越低
- 价值(Value):合理运用大数据,以低成本创造高价值
- 单条数据记录无价值,无用数据多
- 综合价值大,隐含价值大
- 容量(Volume):数据的大小决定所考虑的数据的价值和潜在的信息
一句话:容量大,种类多,速度快,价值高
Hadoop整体概念¶
产生背景¶
- Hadoop 是Apache Lucene 创始人 Doug Cutting 创建的,最早起源于 Apache Nutch项目。Nutch 的设计目标是构建一个大型的全网搜索引擎,包括网页抓取、索引、查询等功能,但随着抓取网页数量的增加,遇到了严重的可扩展性问题 ——如何解决数十亿网页的存储和索引问题
- 2003 年、2004 年谷歌发表的三篇论文为该问题提供了可行的解决方案
- 分布式文件系统 GFS,可用于处理海量网页的存储
- 分布式计算框架 MapReduce,可用于处理海量网页的索引计算问题
- 分布式数据库 BigTable,每一张表可以存储上 billions 行和 millions 列
- Nutch 的开发人员完成了相应的开源实现 HDFS 和 MapReduce,并从 Nutch 中剥离成为独立项目 Hadoop,到 2008 年 1 月,Hadoop 成为 Apache 顶级项目,迎来了它的快速发展期
什么是Hadoop¶