大数据技术学习笔记（一）——初识大数据

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。

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（种类繁多）
• 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 ——> MR
• BigTable ——> HBase

3.3 Hadoop的特点

• 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

HDFS架构：

• NameNode（nn）：存索引，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）：存数据，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）：NameNode的助手，但不能说是其备份，用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据地快照

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