当前位置:   article > 正文

【大数据】Hadoop概述_大数据hadoop

大数据hadoop

一、大数据概论

1. 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
    1Byte = 8bit 1K = 1024Byte 1T = 1024G

2. 大数据特点

  • Volume(大量)
    数据的大小决定所考虑的数据的价值和潜在的信息
  • Velocity(高速)
    大数据区分于传统数据挖掘的最显著特征
  • Variety(多样)
    数据被分为结构化数据和非结构化数据
  • Value(低价值密度)
    价值密度的高低和数据总量的大小成反比

3. 大数据应用场景

  1. 抖音:推荐用户喜欢的视频
  2. 电商站内广告:推荐给用户推荐可能喜欢的商品
  3. 零售:分析用户消费习惯,为用户购买商品提供方便
  4. 保险:海量数据挖掘及风险预测,精准营销,提升精细化定价能力
  5. 金融:多维度体现用户特征,推荐优质客户
  6. 人工智能+5G+物流网+虚拟与现实

4. 大数据部门

大数据部门间业务流程分析
在这里插入图片描述

大数据部门内组织架构
在这里插入图片描述

5. 大数据技术生态体系

在这里插入图片描述

二、Hadoop概述

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。
  • 广义上来说,Hadoop通常是一个更广泛的概念——Hadoop生态圈
    在这里插入图片描述

2. Hadoop发展历史

  • Hadoop创始人Doug Cutting,为了实现与Google类似的全文搜索功能,他在Lucene框架基础上进行优化升级,查询引擎和索引引擎。
  • 2001年年底Lucene成为Apache基金会的一个子项目。
  • 对于海量数据的场景,Lucene框架面对与Google同样的困难,存储海量数据困难,检索海量速度慢。
  • 学习和模仿Google解决这些问题的办法:微型版Nutch。
  • 可以说Google是Hadoop的思想之源(Google在大数据方面的三篇论文) GFS -->HDFS、Map-Reduce —>MR、BigTable -->Hbase
  • 2003-2004年,Google公开了部分GFS和MapReduce思想的细节,以此为基础DougCutting等人用了2年业余时间实现了DFS和MapReduce机制,便Nutch性能飙升。
  • 2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会。
  • 2006年3月份,Map-Reduce和Nutch Distributed File System(NDFS)分别被纳入到Hadoop项目中,Hadoop就此正式诞生,标志着大数据时代来临。
  • 名字来源于Doug Cutting儿子的玩具大象

3. Hadoop三大发行版本

Hadoop三大发行版本:Apache、Cloudera、Hortonworks。

  • Apache版本最原始(最基础)的版本,对于入门学习最好。
  • Cloudera内部集成了很多大数据框架,对应产品CDH。
  • Hortonworks文档较好,对应产品HDP。Hortonworks现在已经被Cloudera公司收购,推出新的品牌CDP。

4. Hadoop优势

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

5. Hadoop组成

5.1 Hadoop1.x、2.x、3.x区别

在这里插入图片描述

  1. 在Hadoop1.x时代,Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度,耦合性较大。
  2. 在Hadoop2.x时代,增加了Yarn,Yarn只负责资源的调度,MapReduce只负责运算。
  3. Hadoop3.x在组成上没有变化。

5.2 HDFS架构概述

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

在这里插入图片描述

  • 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元数据备份

5.3 YARN架构概述

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

在这里插入图片描述

  • ResourceManager(RM):整个集群资源(内存、CPU等)的老大。
  • NodeManager(NM):单个节点服务器资源的老大。
  • ApplicationMaster(AM):单个任务运行的老大。
  • Container:容器,相当一台独立的服务器,里面封装了任务运行所需要的资源,如内存、CPU、磁盘、网络等。

说明

  1. 客户端可以有多个。
  2. 集群上可以运行多个ApplicationMaster。
  3. 每个NodeManager上可以有多个Container。

5.4 MapRuduce架构概述

MapReduce将计算过程分为两个阶段:Map和Reduce。

在这里插入图片描述

  • Map阶段并行处理输入数据
  • Reduce阶段对Map结果进行汇总

5.5 HDFS、YARN、MapReduce三者关系

在这里插入图片描述

客户端Client提交任务到资源管理器(ResourceManager),资源管理器接收到任务之后去NodeManager节点开启任务(ApplicationMaster),ApplicationMaster向ResourceManager申请资源,若有资源ApplicationMaster负责开启任务即MapTask。开始分析任务,每个map独立工作,各自负责检索各自对应的DataNode,将结果记录到HDFS,DataNode负责存储,NameNode负责记录,2nn负责备份部分数据。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小小林熬夜学编程/article/detail/646259
推荐阅读
相关标签
  

闽ICP备14008679号