大数据技术学习笔记（一）—— 大数据概论_大数据笔记

1 大数据的概念

大数据：指无法在一定的时间范围内用常规的软件工具进行捕捉、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。

2 大数据的特点

大数据的特点简称 4V 特征：

• Volume（数据量大）
• Velocity（速度快）
• Variety（种类多）
• Value（价值密度低）

3 大数据生态圈

3.1 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。从广义来说，Hadoop通常指的是一个更广泛的概念——Hadoop生态圈。

3.2 Hadoop 的来源

Google是Hadoop的思想之源，（Google在大数据方面的三篇论文）

• GFS ——> HDFS
• MapReduce ——> MapReduce
• BigTable ——> HBase

3.3 Hadoop的优势

Hadoop的优势

• 高容错性 ：能够自动将失败的任务重新分配
• 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
• 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
• 高效性：在MapReduce的思想下，Hadoop并行工作，以加快任务处理速度

3.4 Hadoop的组成

注意：模块间联系越多,其耦合性越强,同时表明其独立性越差

3.4.1 HDFS

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

HDFS架构：

• 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。
• 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
• Secondary NameNode（2nn）：每隔一段时间对NameNode中存储的元数据进行备份，一般恢复数据的时候才会用到它，但是它也不能保证完全数据恢复。

3.4.2 YARN

3.4.3 MapReduce

MapReduce将计算过程分为两个阶段：Map和Reduce

• Map阶段并行处理输入数据
• Reduce阶段对Map结果进行汇总

4 大数据技术生态体系

图中涉及的技术名词解释如下：

• 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。
• 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；
• Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；
• 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。
• 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。
• Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
• 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。
• 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。
• 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。