大数据概述

大数据概念

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，是需要新处理模式才能具有更强的决策能力、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

大数据主要解决，海量数据的采集、存储和分析计算问题。

大数据的特点

  1. 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. 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2025年，全球数据使用量将达到163ZB。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. 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. 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，我们只关心宋宋老师晚上在床上健身那一分钟，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。

大数据应用场景

  1. 抖音视频推荐
  2. 电商广告推荐
  3. 零售：分析用户消费习惯，为用户购买商品提供方便
  4. 物流仓储：京东物理，上午下单送到
  5. 保险：海量数据挖掘及风险预测，助理保险行业精准营销，提升精细化定价能力
  6. 金融：多维度体现用户特征，帮助金融机构推荐优质客户，防范欺诈风险
  7. 房产：选出更合适的地，建合适的楼，卖合适的人
  8. 人工智能+5G+物联网+虚拟现实

Hadoop概述

Hadoop是什么

Hadoop是一个由Apache基金会所开发的分布式系统基础架构

主要解决海量数据的存储和海量数据的分析计算问题

广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈

Hadoop 创始人 Doug Cutting

Hadoop优势

  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（比如6.18，双十一的时候，动态加节点）
  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

Hadoop1.x、2.x、3.x区别

Hadoop组成

HDFS架构概述

Hadoop Distributed File System 简称 HDFS 是一个分布式文件系统

  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，以及每个文件的块列表和块所在的DataNode等
  2. DateNode（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）：每隔一段时间对NameNode元数据备份

YARN架构概述

Yet Another Resource Negotiator 简称 YARN ，是另一种资源协调者，是Hadoop的资源管理器

  1. ResourceManager（RM）：整个集群资源（内存，CPU）的老大
  2. NodeManager（NM）：单个节点服务器资源老大
  3. ApplicationMaster（AM）：单个任务运行的老大
  4. Container：容器，相当于一台独立的服务器，里面封装了任务运行所需要的资源，比如内存，CPU，硬盘，网络等。

注意：

  • 客户端可以有多个
  • 集群上可以运行多个ApplicationMaster
  • 每隔NodeManager上可以有多个Container

MapReduce架构概述

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

HDFS、YARN、MapReduce三者关系

NameNode 来告诉别人数据存储在哪个节点，DateNode就是实在的在本地进行数据存储，SecondaryNameNode，备份的数据进行NameNode挂了后进行部分数据恢复。ResourceManager负责整个集群资源的管理，此时来了一个客户，向集群提交了一个任务，任务过来后，ResourceManager就会找一个节点，开启一个Container，然后把任务ApplicationManager放在里面，App Manager就会向ResourceManager申请资源，ResourceManager就会进行调度，在有相应资源的节点上开启Container放入资源，最后任务Map阶段进行完后，汇总进行Reduce阶段，把结果写到HDFS上

大数据技术生态体系

  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；
  3. Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；
  4. 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。
  5. Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
  6. Oozie：Oozie是一个管理Hadoop作业（job）的工作流程调度管理系统。
  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。
  9. ZooKeeper：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。