Hadoop3_01

1 大数据概论

1.1 大数据概念

大数据概念

大数据（big data）：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。

主要解决，海量数据的存储和海量数据的分析计算问题。

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 1MB = 1024K
1G = 1024M 1T = 1024G 1P = 1024T

1.2 大数据特点（4V）

大数据特点

》1：大数据特点之Volume（大量）
截至目前，人类生产的所有印刷材料的数据量是200PB，
而历史上全人类总共说过的话的数据量大约是5EB。
当前，典型个人计算机硬盘的容量为TB量级，
而一些大企业的数据量已经接近EB量级。
》2：大数据特点之Velocity（高速）
这是大数据区分于传统数据挖掘的最显著特征。
根据IDC的“数字宇宙”的报告，预计到2020年，全球数据使用量将达到35.2ZB。
在如此海量的数据面前，处理数据的效率就是企业的生命。
》3：大数据特点之Variety（多样）
这种类型的多样性也让数据被分为结构化数据和非结构化数据。
相对于以往便于存储的以数据库/文本为主的结构化数据，
非结构化数据越来越多，包括网络日志、音频、视频、图片、地理位置信息等，
这些多类型的数据对数据的处理能力提出了更高要求。
》4：大数据特点之Value（低价值密度）
价值密度的高低与数据总量的大小成反比。
比如，在一天监控视频中，我们只关心某一分钟，
如何快速对有价值数据提纯成为目前大数据背景下待解决的难题。

1.3 大数据应用场景

• （1）物流仓储
• （2）零售
• （3）旅游
• （4）商品广告推荐
• （5）保险、金融及房产
• （6）人工智能

1.4 大数据发展前景

大数据发展前景

• （1）国家政策
• （2）国际方面
• （3）高校方面
• （4）平均薪资
• （5）整体薪资

1.5 大数据部门业务流程分析

• （1）产品人员提需求（统计总用户数、日活跃用户数、回流用户数等）
• （2）数据部门搭建数据平台、分析数据指标
• （3）数据可视化（报表展示、邮件发送、大屏幕展示等）

1.6 大数据部门组织结构（重点）

大数据部门组织结构，适用于大中型企业

2 从Hadoop框架讨论大数据生态

2.1 Hadoop是什么

• （1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构
• （2）主要解决，海量数据的存储和海量数据的分析计算问题。
• （3）广义上来说，HADOOP通常是指一个更广泛的概念——HADOOP生态圈

hadoop生态

2.2 Hadoop发展历史

• （1）Lucene–Doug Cutting开创的开源软件，用java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎

• （2）2001年年底成为apache基金会的一个子项目

• （3）对于大数量的场景，Lucene面对与Google同样的困难

• （4）学习和模仿Google解决这些问题的办法 ：微型版Nutch

• （5）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

• （6）2003-2004年，Google公开了部分GFS和Mapreduce思想的细节，
  以此为基础Doug Cutting等人用了2年业余时间实现了DFS和Mapreduce机制，
  使Nutch性能飙升

• （7）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) 分别被纳入称为 Hadoop 的项目中

• （8）名字来源于Doug Cutting儿子的玩具大象

• （9）Hadoop就此诞生并迅速发展，标志这云计算时代来临

2.3 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。

1.Apache Hadoop

官网地址：http://hadoop.apache.org/releases.html
下载地址：https://archive.apache.org/dist/hadoop/common/

2.Cloudera Hadoop

官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html
下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/

（1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。
（2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support
（3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。Cloudera的标价为每年每个节点10000美元。
（4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。

3.Hortonworks Hadoop

官网地址：https://hortonworks.com/products/data-center/hdp/
下载地址：https://hortonworks.com/downloads/#data-platform

（1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
（2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
（3）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。
（4）Hortonworks目前已经被Cloudera公司收购。

2.4 Hadoop的优势（4高）

• （1）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。
• （2）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。
• （3）高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
• （4）高容错性：能够自动将失败的任务重新分配。

2.5 Hadoop组成（面试重点）

• （1）Hadoop HDFS：一个高可靠、高吞吐量的分布式文件系统。
• （2）Hadoop MapReduce：一个分布式的离线并行计算框架。
• （3）Hadoop YARN：作业调度与集群资源管理的框架。
• （4）Hadoop Common：支持其他模块的工具模块。

2.5.1 HDFS架构概述

-（1）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。
-（2）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。
-（3）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元数据的快照。

2.5.2 YARN架构概述

-（1）ResourceManager(rm)：
处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度；
-（2）NodeManager(nm)：
单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；
-（3）ApplicationMaster：
数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。
-（4）Container：
对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

2.5.3 MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce
-（1）Map阶段并行处理输入数据
-（2）Reduce阶段对Map结果进行汇总

2.6 大数据技术生态体系

大数据技术生态体系。

上图中涉及的技术名词解释如下：

• （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。

• （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。

• （4）Storm：Storm为分布式实时计算提供了一组通用原语，可被用于“流处理”之中，实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。 Storm也可被用于“连续计算”（continuous computation），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。

• （5）Spark：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。

• （6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。Oozie协调作业就是通过时间（频率）和有效数据触发当前的Oozie工作流程。

• （7）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。

• （8）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。

• （10）R语言：R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。

• （11）Mahout:
  Apache Mahout是个可扩展的机器学习和数据挖掘库，当前Mahout支持主要的4个用例：
  推荐挖掘：搜集用户动作并以此给用户推荐可能喜欢的事物。
  聚集：收集文件并进行相关文件分组。
  分类：从现有的分类文档中学习，寻找文档中的相似特征，并为无标签的文档进行正确的归类。
  频繁项集挖掘：将一组项分组，并识别哪些个别项会经常一起出现。

• （12）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。

2.7 推荐系统框架图

推荐系统项目架构