Hadoop 基础 -- 大数据概论、Hadoop概述

一、大数据概论

1、大数据概念

大数据（Big Data）：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。

​ 1 Byte = 8 bit 1 K = 1024 Byte 1 MB = 1024 K

​ 1 G = 1024 M 1T = 1024G 1P = 1024T

2、大数据特点

2.1 Volume(大量)

2.2 Velocity(高速)

2.3 Variety(多样)

​ 结构化数据 和 非结构化数据

​ 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

2.4 Value(低价值密度)

​ 价值密度的高低与数据总量的大小成反比。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

3、大数据部门业务流程

4、大数据部门组织结构（重点）

二、Hadoop 概述

2.1 Hadoop 概念

• 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。

2.2 Hadoop 的优势

• 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的思想下，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。

2.3 Hadoop 组成

2.3.1 HDFS 架构概述

• 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(默认为)对NameNode元数据备份。

2.3.2 YARN 架构概述

2.3.3 MapReduce架构概述

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

2.4 大数据技术生态体系

• 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Hadoop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。

2.5 推荐系统框架图