第一章:hadoop介绍
- 课程安排
知识点1:大数据技术介绍
知识点2:大数据技术框架
知识点3:大数据应用行业
知识点4:hadoop简介
- 大数据技术介绍
- 数据的来源
在早期,数据是通过调查问卷的方式进行,但互联网的兴起,数据的调查不需要问卷方式,可以通过用户的操作行为来记录并进行统计,且并数据是大规模的存储在存储服务器集群中。
-
- 什么是大数据
大数据(big data),IT行业术语,是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。
主要特征:海量数据存储和海量数据分析
单位运算:
1 Byte =8 bit
1 KB = 1,024 Bytes = 8192 bit
1 MB = 1,024 KB = 1,048,576 Bytes
1 GB = 1,024 MB = 1,048,576 KB
1 TB = 1,024 GB = 1,048,576 MB
1 PB = 1,024 TB = 1,048,576 GB
1 EB = 1,024 PB = 1,048,576 TB
1 ZB = 1,024 EB = 1,048,576 PB
1 YB = 1,024 ZB = 1,048,576 EB
1 BB = 1,024 YB = 1,048,576 ZB
1 NB = 1,024 BB = 1,048,576 YB
1 DB = 1,024 NB = 1,048,576 BB
-
- 大数据的特点
5V特点:大量、高速、多样、价值、真实性
- 大数据技术框架
常用的技术框架:
Hadoop、Zookeeper、Hive、Flume、Kafka、Hbase、Sqoop、Oozie、Askaban、Kylin、Impala、Hue、Kudu、Kudu、Atlas、Griffin、Kettle、ClickHouse、DataX、Ambari、Ranger、Spark、Flink、Docker、Beam、Filebeat、InfluxDB、MaxWell、NiFi、Phoenix、Pulsar、Saiku、Sentry、Superset、Tableau、Kubernetes、Airflow等
-
- 大数据业务处理流程
产品经理(分析需求:统计用户的回头率)à 数据部门搭建开发平台分析业务指标à数据可视化(报表,大屏展示)
-
- 大数据部分人员分配(中大型公司)
大数据部门:平台组(大数据运维)、数据仓库组(ETL工程师【数据清洗】数据仓库建模工程师等)、数据挖掘组(算法工程师、推荐工程师、用户画像工程师)、报表开发组(javaEE)
-
- 初步了解认识大数据框架技术分层综合使用
- 大数据应用行业
金融行业:
在用户画像的基础上,银行可以根据用户的年龄、资产规模、理财偏好等,对用户群进行精准定位,分析出潜在的金融服务需求。
电商行业:
电子商务企业获得精准的数据分析,可以更好地了解用户的需求,制定合理的营销策略,从而给用户推广更感兴趣的产品,提高营销成功率。
行政政府:
在智慧政府模式下,通过大数据技术,政府得以“感知”社会的发展变化需求,行政决策更加科学化、公共服务更加精准化、资源配置更加合理化。
电信行业:
电信行业拥有庞大的数据,大数据技术可以应用于网络管理、客户关系管理、企业运营管理等,并且使数据对外商业化,实现单独盈利。
医疗行业:
医疗行业通过临床数据对比、实时统计分析、远程病人数据分析、就诊行为分析等,辅助医生进行临床决策,规范诊疗路径,提高医生的工作效率。
- hadoop简介
- 什么是hadoop
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下,开发分布式程序。充分利用集群的威力进行高速运算和存储。
Hadoop实现了一个分布式文件系统(Hadoop Distributed File System),简称HDFS。HDFS有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上。
Hadoop的框架最核心的设计就是:HDFS和MapReduce。HDFS为海量的数据提供了存储,而MapReduce则为海量的数据提供了计算。
可以说google是hadoop设计思想来源:
Google文件系统GFSGoogle文件系统(Google File System,GFS)是一个大型的分布式文件系统。à HDFS存储原理。
MapReduce à MR 分布式运算原理
BigTable à Hbase数据库
-
- Hadoop版本
Hadoop的三大版本:apache,Cloudera, Hortonworks
Apache 原始版本: 入门首选
Cloudera:大型公司使用较多的版本。比较稳定。
Cloudera hadoop: Cloudera | The hybrid data company
Hortonworks:文档比较好。
-
- Hadoop优势
- 高可用性:hadoop有多个数据副本,即使某些机器存储出现问题,也不会导致数据丢失。
- 可扩展性:在集群中,可以无限扩展节点。
- 高效性:在mapreduce中运算,hadoop集群是并行操作的,可以使用更快速度来处理运算。
- 高容错性:当某台节点运行任务失败,可以重新分配任务到别的节点进行运算
-
- Hadoop新旧版本对比
Hadoop1.x版本:
HDFS(分布式文件存储)、MapReduce(资源调度与计算)、Common(辅助工具:配置模块、RPC通信、序列化、日志操作)
Hadoop2.x版本:
HDFS(分布式文件存储)、MapReduce(计算)、Yarn(资源调度)、Common(辅助工具:配置模块、RPC通信、序列化、日志操作)
-
- HDFS架构
- NameNode(nn): 存储文件的元数据信息
- DataNode(dn):在本地文件系统中存储的数据块
- Secondary NameNode: 用于监控HDFS状态,每隔一段时间元数据的快照信息
-
- YARN架构与MapReduce架构
- YARN架构
- YARN架构与MapReduce架构
ResouceManager(RM):处理客户端请求,启动/监控applicationMaster、监控NodeManager、资源分配与调度。
applicationMaster: 数据切分、应用程序资源分配、监控任务与容错。
NodeManager(NM): 单个节点上的资源、处理ResourceManager提交的请求、处理applicationMaster的命令。
Container: 对任务运行环境抽象,封装了CPU,内存以及要使用的资源环境,启动命令来运行相关的资源。
-
-
- MapReduce架构
-
MapReduce分为两个阶段: Map、Redurce
1.Map阶段是并行处理数据
2.Redurce阶段对map阶段统计的结果进行汇总
- 本章总结
介绍数据的来源,数据量大规模,因此,我们存储大规模的数据,出现分布式存储集群。要统计分析数据,使用分布式运算框架。并对hadoop进行架构与节点初步认识,方便搭建集群。