大数据学习

1.大数据介绍

1.什么是大数据？

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

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

大数据主要解决，海量数据的采集、存储和分析计算问题

2.大数据的特点(4V)

1.Volumea(大量)

在当前，个人计算机硬盘容量已经为TB级别，而一些大企业的数据已经EB级别量级

2.VeLocity(高速)

在海量的数据面前，处理速度的效率是很高速的

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)

对有价值的数据进行提纯

3.大数据部门组织结构

2.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——分Hadoop生态圈。

2.Hadoop组成

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

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.HDFS架构的概述

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

HDFS一共由三大部分组成

NameNode(nn): 主要负责存储文件的元数据，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):每隔一段时间对NameNode元数据备份

4.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

YARN一共由四大部分组成:

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

5.MapReduce架构

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

6.HDFS、YARN、MapReduce 三者关系

7.大数据生态体系

以上涉及到的技术名词

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
KafkaKafka 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