预备篇
目录
知识
大数据简介
计算机单位
大数据的五个“v”
Hadoop
Hadoop概述
Hadoop的历史
Hadoop三大发行版本
1)Apache Hadoop
2)Cloudera Hadoop
3)Hortonworks Hadoop
Hadoop优势
Hadoop的组成
HDFS架构概述(负责Hadoop储存功能)
YAPN概述
MapReduce将计算过程分为两个阶段:Map和Reduce
HDFS,YARN,MapReduce三者关系
大数据生态体系
应用场景
知识
java se,maven,idea,linux,shell
大数据简介
百度百科
大数据(big data),或称巨量资料,指的是所涉及的资料量规模巨大到无法透过目前主流软件工具,在合理时间内达到获取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。
计算机单位
大数据的五个“v”
海量数据shi'shi'ji'suan
结构化数据,例如mysql中的表格
非结构化数据
Hadoop
Hadoop概述
Welcome! - The Apache HTTP Server Project
Apache Hadoop
Hadoop的历史
Hadoop三大发行版本
1)Apache Hadoop
官网地址:http://hadoop.apache.org
下载地址:https://hadoop.apache.org/releases.html
2)Cloudera Hadoop
官网地址:https://www.cloudera.com/downloads/cdh
下载地址:https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_cdh_6_download.html
(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。Cloudera的标价为每年每个节点10000美元。
(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。
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)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。
(4)2018年Hortonworks目前已经被Cloudera公司收购。
Hadoop优势
Hadoop的组成
HDFS架构概述(负责Hadoop储存功能)
Hadoop Distributed File System,简称HDFS,是一个分布式文件系统
一般情况下,NameNode和SecondaryNameNode,放到不同的服务器中
YAPN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。
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
如果想在海量数据中查找指定的数据通过Map分配给每个服务器,每个服务器检索自己的服务器,当每个服务器找到之后通过Reduce交给汇总服务器。
HDFS,YARN,MapReduce三者关系
当客户端发出请求,集群开始工作,ResourceManager就会找一个NodeManager开启一个
Container,AppMstr会向ResourceManager申请资源,服务器1和2中通过MapTask找对应的资源,每一个MapTask独立工作,不管有没有检索到都会返回一个结果,通过Reduce Task把内容写到磁盘上。然后在NameNode进行记录,2NN也记录一次数据
大数据生态体系
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;
3)Kafka:Kafka是一种高吞吐量的分布式发布订阅消息系统;
4)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。
5)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。
6)Oozie:Oozie是一个管理Hadoop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。
9)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。
数据源:一般由三种,数据库表格(结构化数据),文件日志,xml,json(半结构化数据,可以转换成结构化数据),视频,ppt等(非结构化数据,无法转换成结构化数据)
对于结构化数据可以使用sqoop数据传递,来同步mysql中的数据,半结构化数据用flume日志收集来处理,非结构化数据可以用kafka来处理,kafka也可以处理结构化数据和半结构化数据
HDFS和Hbase和Kafka都可以进行数据存储
YARN负责资源调度
MapReduce基于硬盘进行计算
Spark一部分基于内存进行计算
MapReduce上由一个Hive专门用于查询数据,MapReduce需要写代码来查询效率较低,Hive可以使用类似sql语句的方式查询
Spark Sql可以用于类似sql的方式查询数据
Hive,Spark Mlib, Spark都是离线计算,对时间要求不高的
Spark Streaming和Flink和storm用于实时计算,对时间要求较高,比如案例要求实时计算交易额
Storm已经被淘汰了,目前比较流行Flink
比如集群中由100多个任务,不一定都同时运行,可以把非重要的任务安排到凌晨执行,或者先安排比较重要的任务先执行,由调度器进行调度
zookeeper整个大数据平台的协调者和调度者,不会频繁事务,只要启动起来即可
业务层,业务相关,比如销量展示
应用场景
(以上内容为本人大数据笔记,分享给大家,如有不足,还望斧正)