《大数据技术原理与应用》笔记

一、大数据概述

大数据的特征（4V）：

1、Volume，数据量大

2、Variety，数据类型多

大数据由结构化和非结构化数据组成：

10%的结构化数据，存储在数据库中；

90%的非结构化数据，与人类信息密切相关。

3、Velocity，处理速度快

4、Value，价值密度低

 

大数据的关键技术：

1、分布式存储

分布式数据库

分布式文件系统

2、分布式处理

分布式并行处理技术MapReduce

 

大数据的计算模式：不同的计算模式需要使用不同的产品

1、批处理模式：一堆数据一起做批量处理，不能满足实时性要求。

如MapReduce，Spark（实时性比MapReduce好，可以做迭代计算，MapReduce不能）

2、流计算：针对流数据（日志流、用户点击流）的实时计算，需要实时处理。只能用流计算框架做。

流计算代表产品：S4+Storm+Flume

3、图计算：如社交网络数据，地理信息数据等。MapReduce也能处理，但效率不高。

代表软件：Google Pregel

4、查询分析计算：交互式查询，要求实时性高

代表产品：Google Dremel、Hive、Cassandra、Impala

 

云计算，通过网络以服务的方式为用户提供非常廉价的IT资源。

两个特征：

1、解决了分布式存储和分布式处理问题

2、虚拟化和多租户

三种云服务：

IaaS：面向网络架构师

PaaS：面向应用开发者

SaaS：面向用户

 

二、大数据处理架构Hadoop

Hadoop两大核心：

1、分布式文件系统HDFS：解决分布式存储
2、分布式并行框架MapReduce：解决分布式处理

Hadoop 2.0中，

1、HDFS新技术（原来可扩展性不好）：NN Federation，多个名称节点，分区管理（不能解决单点失效问题，彼此联盟关系，非备份关系，需要为每个名称节点部署备份节点）；HA（高可用性），热备份的NameNode，防止单点失效。

2、MapReduce分出了YARN，负责资源调度管理（MapReduce1.0既是计算框架，也是资源调度管理框架，MapReduce2.0是纯粹的计算框架）。YARN框架可以支持MapReduce、Storm、Spark等。

 

Hadoop项目结构：

 

Linux基础知识：

1、Shell：命令解析器，接收用户命令，然后调用相应的应用程序。

2、sudo：Ubuntu中一种权限管理机制，可以授权给一些普通用户去执行需要root权限执行的操作。

3、输入密码：终端不会显示你当前输入的密码。

4、输入法中英文切换：“shift”键

5、复制粘贴快捷键：快捷键需要加上Shift，如Ctrl+Shift+V

 

三、分布式文件系统HDFS（Hadoop Distributed File System）

主节点（一个）：承担数据目录（元数据）服务

从节点（多个）：完成数据的存储任务

 

HDFS实现目标：

1、兼容廉价的硬件设备

2、实现流数据读写

3、支持大数据集

4、支持简单的文件模型

5、强大的跨平台兼容性

HDFS自身的局限性：

1、不适合低延迟数据访问，实时性不高

2、无法高效储存大量小文件

3、不支持多用户写入及任意修改文件

 

块（HDFS的核心概念）：

为了分摊磁盘读写开销，也就是在大量数据间分摊磁盘寻址的开销；

HDFS的一个块要比普通文件系统的块大很多（普通文件系统的块一般几千个字节，而HDFS默认64MB，可设置为128MB）

好处：

1、支持大规模文件存储，将文件切割成块，块可以分布地存储在不同机器上，突破单机存储容量的上限

2、简化系统设计，块的大小是固定的

3、适合数据备份

 

HDFS两大组件：

1、名称节点（主节点，NameNode）：整个HDFS集群的管家，负责元数据的存储，相当于数据目录

元数据包含：文件是什么；文件被分成多少块；每个块和文件是怎么映射的；每个块被存储在哪个服务器上面

包含两个核心数据结构：

（1）FsImage：保存系统文件树

文件的复制等级、修改和访问时间、访问权限、块大小以及组成文件的块

（2）EditLog：记录对数据进行的诸如创建、删除、重命名等操作

运作方式：

第二名称节点：

（1）解决EditLog不断增大的问题

（2）可以当做名称节点的冷备份

2、数据节点（DataNode）：存、取实际数据
 

HDFS命名空间：目录-文件-块

访问HDFS文件系统：/+目录名称，如/usr/shares

 

 HDFS体系结构的局限性：1.0版本

1、命名空间限制：名称节点是保存在内存中的，因此，名称节点能容纳的对象（文件、块）的个数会受到空间大小限制

2、性能的瓶颈：整个分布式文件的吞吐量，受限于单个名称节点的吞吐量

3、隔离问题：由于集群中只有一个名称节点，只有一个命名空间，因此无法对不同应用程序进行隔离

4、集群的可用性：单点故障，一旦这个唯一的名称节点发生故障，会导致整个集群变得不可用。第二名称节点是冷备的。2.0版本设置两个名称节点，并进行分区管理，设置热备（HDFS HA）。

 

HDFS中数据以块的方式冗余存储，一般冗余因子是3，好处：

1、加快数据传输速度

2、容易检查数据错误

3、保证数据可靠性

 

Shell命令：

启动hadoop

./bin/hadoop fs：查看fs总共支持哪些命令

./bin/hadoop fs -help put：查看put命令的帮助

./bin/hadoop fs -ls：显示指定文件的详细信息

./bin/hadoop fs -mkdir：创建相关文件夹

./bin/hadoop fs -cat：指定文件内容输出到标准输出

./bin/hadoop fs -cp 本地文件</