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