大数据技术学习笔记（一）—— 大数据概论

目录

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。

按顺序给出数据存储单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。

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 ——> MapReduce
  • BigTable ——> HBase

3.3 Hadoop的优势


Hadoop的优势

  • 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


在这里插入图片描述

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


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

HDFS架构：

  • 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）：每隔一段时间对NameNode中存储的元数据进行备份，一般恢复数据的时候才会用到它，但是它也不能保证完全数据恢复。

3.4.2 YARN


在这里插入图片描述

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

4 大数据技术生态体系


在这里插入图片描述

图中涉及的技术名词解释如下：

  • 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Hdoop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。