大数据-Hadoop概论

大数据概论

1、大数据概念

大数据(BigData) :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。

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

2、大数据特点

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、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。

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。

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、大数据应用场景

1、物流仓储:大数据分析系统助力商家精细化运营、提升销量、节约成本。


2、零售:分析用户消费习惯，为用户购买商品提供方便, . 从而提升商品销量。
经典案例，子尿布+啤酒。

3、旅游:深度结台大数据能力与旅游行业需求,共建旅游产业智慧管理、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
例如：每当你购买电脑后，会为你推送鼠标，键盘等商品
还有抖音会根据你的喜好，推荐给你视频等等

5、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。

6、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。

7、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。

8、人工智能

4、大数据部门业务流程分析

5、大数据部门组织机构

Hadoop

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发展史

1、Lucene框架是Doug Cutting开创的开源软件,用Java书写代码，实现与Google类似以的全文搜索功能，它提供了全文检索引擎的架构,包括完整的查询引擎和索引弓|擎

2、2001年年底Lucene成为Apache基金会的一个子项目。
3、对于海量数据的场景, Lucene面对与Google同样的困难，存储数据困难，检索速度慢。
4、学习和模仿Google解决这些问题的办法:微型版Nutch。
5、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

6、 2003-2004年，Google公开 了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用
了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
7、2005 年Hadoop作为Lucene的子项目Nutch的一部分正式引|入Apache基金会。
8、 2006 年3月份, Map-Reduce和Nutch Distibuted Fle 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。
9、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在大型互联网企业中用的较多。
Hortonworks文档较好。

1、Apache Hadoop

官方地址：https://hadoop.apache.org/
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: 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，也不会导致数据的失。

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:能够自动将失败的任务重新分配。

5、Hadoop组成（面试重点）

1、Hadoop1.x和Hadoop2.x区别

2、HDFS架构概述

HDFS（Hadoop Distributed File System）的架构概述

3、YARN架构概述

YARN架构概述

4、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、大数据基础生态体系

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用于“连续计算”，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Hdoop作业（job）的工作流程调度管理系统。

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。

10）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。

11）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。

12）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

推荐系统项目架构如图