大数据概论

目录

一、大数据概论    

1、大数据概念

2、大数据特点

3、大数据应用场景

4、大数据发展前景

5、企业数据部的业务流程分析

6、大数据部门组织结构

二、从Hadoop框架讨论大数据生态

1、Hadoop是什么

2、Hadoop发展历史

3、Hadoop三大发行版本

4、Hadoop优势

5、Hadoop组成（重点）

5.1 HDFS架构概述

5.2 YARN架构概述

5.3 MapReduce架构概述

6、大数据技术生态体系

7、推荐系统框架图

---

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。

    最小的基本单位是bit，按顺序给出所有单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。

     1Byte = 8bit     1K = 1024bit     1MB = 1024K     1G = 1024M    

     1T = 1024G      1P = 1024T      1E = 1024P     1Z = 1024E 

     1Y = 1024Z      1B = 1024Y      1N = 1024B      1D = 1024N

2、大数据特点

2.1 Volume（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。

2.2 Velocity（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2020年，全球数据使用量将达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。 

    天猫双十一：2017年3分01秒，天猫交易额超过100亿

2.3 Variety（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。

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。比如，在一天监控视频中，我们只关心一个人晚上在健身房健身那一分钟，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。

3、大数据应用场景

    1）物流仓库：大数据分析系统助理商家精细化运营、提升质量、节约成本

    2）零售：分析用户习惯，为用户购买商品提供方便，从而提供商品销量。经典案例：纸尿裤+啤酒

    3）旅游：深度结合大数据能力与旅游行业需求，共建旅游行业智慧管理、智慧服务和智慧营销的未来

    4）商品广告推荐：给用户推荐可能喜欢的商品。案例：用户买了一本书，又推荐了若干本书

    5）房产：大数据全面助力房地产行业，打造精准投策与营销，选出更合适的地，建造更合适的楼，卖给更合适的人。

    6）保险：海量数据挖掘及风险预测，助力保险行业精准营销，提升精细化定价能力。 

    7）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。

    8）人工智能

4、大数据发展前景

    1）党的十八届五中全会提出“实施国家大数据战略”，国务院印发《促进大数据发展行动纲要》，大数据技术和应用处于创新突破期，国内市场需求处于爆发期，我国大数据产业面临重要的发展机遇。

    2）国际数据公司IDC预测，到2020年，企业基于大数据计算分析平台的支出将突破5000亿美元。目前，我国大数据人才只有46万，未来3到5年人才缺口达150万之多。

    3）2017年北京大学、中国人民大学、北京邮电大学等25所高校成功申请开设大数据课程。

    4）具体薪资各个招聘网站上也都有详细说明

5、企业数据部的业务流程分析

6、大数据部门组织结构

    

 

二、从Hadoop框架讨论大数据生态

1、Hadoop是什么

    1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构

    2）主要解决，海量数据的存储和海量数据的分析计算问题。 

    3）广义上来说，HADOOP通常是指一个更广泛的概念——HADOOP生态圈

             

2、Hadoop发展历史

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

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在大型互联网企业中用的较多。 

    Hortonworks文档较好。

1）Apache Hadoop

    官网地址：http://hadoop.apache.org/releases.html 

    下载地址：https://archive.apache.org/dist/hadoop/common/

2）Cloudera Hadoop 

    官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html 

    下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/

    （1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。

    （2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support 

    （3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。 

    （4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。 

    （5）Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。

3）Hortonworks Hadoop

    官网地址：https://hortonworks.com/products/data-center/hdp/ 

    下载地址：https://hortonworks.com/downloads/#data-platform

    （1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。

    （2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。 

    （3）雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。 

    （4）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。 

    （5）HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook开源的Hive中。Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒。 

    （6）Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Window Server和Windows Azure在内的microsoft Windows平台上本地运行。定价以集群为基础，每10个节点每年为12500美元。

4、Hadoop优势

    1）高可靠性：因为Hadoop假设计算元素和存储会出现故障，因为它维护多个工作数据副本，在出现故障时可以对失败的节点重新分布处理。

    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。

    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：自动保存多份副本数据，并且能够自动将失败的任务重新分配。

5、Hadoop组成（重点）

    1）Hadoop HDFS：一个高可靠、高吞吐量的分布式文件系统。

    2）Hadoop MapReduce：一个分布式的离线并行计算框架。 

    3）Hadoop YARN：作业调度与集群资源管理的框架。

    4）Hadoop Common：支持其他模块的工具模块。

                

5.1 HDFS架构概述

    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（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。

        

    2）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。 

        

    3）Secondary NameNode（2nn）：用来监控HDFS状态的辅助后态度程序，每隔一段时间获取HDFS元数据的快照    

5.2 YARN架构概述

    1）ResourceManager（rm）：处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度

    2）NodeManager（nm）：单个节点上的资源管理、处理来自ApplicationMaster、ResourceManager的命令

    3）ApplicationMaster：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错

    4）Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务相关的信息

              

5.3 MapReduce架构概述

MapReduce将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

        

6、大数据技术生态体系

    

图中涉及的技术名词解释如下：

    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Cloudera提供的一个高可用的，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；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。

    3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：

        （1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。 

        （2）高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。 

        （3）支持通过Kafka服务器和消费机集群来分区消息。 

        （4）支持Hadoop并行数据加载。 

    4）Storm：Storm为分布式实时计算提供了一组通用原语，可被用于“流处理”之中，实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。 Storm也可被用于“连续计算”（continuous computation），对数据流做连续查询，在计算时就将结果以流的形式输出给用户。

    5）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。

    6）Oozie：Oozie是一个管理Hadoop作业（job）的工作流程调度管理系统。Oozie协调作业就是通过时间（频率）和有效数据触发当前的Oozie工作流程。 

    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）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。

    10）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库，当前Mahout支持主要的4个用例： 

        推荐挖掘：搜集用户动作并以此给用户推荐可能喜欢的事物。 

        聚集：收集文件并进行相关文件分组。 

        分类：从现有的分类文档中学习，寻找文档中的相似特征，并为无标签的文档进行正确的归类。 

        频繁项集挖掘：将一组项分组，并识别哪些个别项会经常一起出现。

    11）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。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。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。

7、推荐系统框架图