0829（041天 大数据01 概论）

0829（041天 大数据01 概论）

每日一狗（田园犬西瓜瓜）

大数据01 概论

1. 概论

数据和信息是现在的。智慧与知识是未来的。

**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、管理和处理的数据集合。

• 处理结果具有时效性
• 注重全量数据，而不是样本数据。
• 注重相关性，而非因果关系。
• 存储模式：并非固定的数据库，而是分布在不同的网络空间

4V特征：

• 数据量大 volume（GB以上）
• 数据类型繁多 variety（音频、视频、文本、应用数据等等）
• 速度快 velocity（生成速度）
• 价值密度底 value （有用，但只有一点点）
• 网络添加：真实性

前沿技术

• 廉价的存储设备
• CPU处理能力（摩尔定律：CPU性能大约每隔18个月提高一倍，价格下降一半）
• 网络带宽（千兆网遍地走。4G100Mbps，5G1Gbps）

流程：数据采集接入—数据清洗—数据融合—数据分析挖掘—数据可视化—运营维护

技术执行流程：数据收集、数据存储、资源管理、计算框架、数据分析和数据展示

技术理念：人多力量大，水平线性扩展。

1.1 大数据开发总体架构

• 数据来源：MySQL数据库、文件日志半结构化数据、视频PPT非结构化数据
• 数据传输：Flume数据采集、Sqoop数据迁移、Kafka消息队列
• 数据存储：ElasticSearch全文检索、HBase非关系型数据库、HDFS文件存储
• 资源管理：YARN（算力、存储）
• 数据计算：MapReduce离线计算、Flink Core内存计算
• 任务调度：Crontab定时任务和Oozie任务调度
• 业务模型：数据可视化和业务逻辑处理

1.2 大数据的影响

在思维方面：大数据完全颠覆了传统的思维方式：全样而非抽样、效率而非精确、相关而非因果

1.3 计算模式

• 离线批处理：针对大规模的历史数据
• 流处理：针对实时计算，例如Storm
• 图处理：常用于社交网络，如GraphX
• 查询分析：大规模的存储管理和查询分析。例如Hive和Cassandra

1.4 环境搭建

win：开发环境

• JDK

centos7：模拟运行环境

• JDK
• 网络配置：
  • 桥接：相当于时有两台设备

2. Maven

项目管理

版本控制

依赖管理下载

2.1 POM基础

properties标签

<project …> 下的properties 自定义标签（类似设置变量）

<spring.version>4.0.0.RELEASE</spring.version>

约定的目录结构

Hello
    src
    ——main
    ————java		// 项目程序
    ————resources 	// 项目环境
    ——test
    ————java 		// 单元测试程序
    ————resources	// 测试环境
    pom.xml			// 总体配置文件

2.2 依赖管理

依赖的原则

1. 路径最短者优先
2. 路径相同时先声明者优先

还不行就用依赖排除后重新声明

问：如何解决maven中的依赖冲突问题

直接依赖、间接依赖

• 路径最短原则：根据依赖的距离来进行判定

依赖范围

2.3 仓库管理

本地：为当前本机电脑上的所有Maven工程服务。

远程仓库

• 私服
• 中央仓库：架设在Internet上，为全世界所有Maven工程服务。
• 中央库的镜像源：各大洲的备份

2.4 生命周期

以下为几个比较重要的生命周期

compile 编译项目的源代码。

test-compile 编译测试源代码。

package 接受编译好的代码，打包成可发布的格式，如JAR。

install 将包安装至本地仓库，以让其它项目依赖。

deploy将最终的包复制到远程的仓库，以让其它开发人员与项目共享或部署到服务器上运行。