第一章：hadoop介绍

大数据技术介绍

数据的来源

在早期，数据是通过调查问卷的方式进行，但互联网的兴起，数据的调查不需要问卷方式，可以通过用户的操作行为来记录并进行统计，且并数据是大规模的存储在存储服务器集群中。

什么是大数据

大数据（bigdata），IT行业术语，是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。

主要特征：海量数据存储和海量数据分析

单位运算：

1 Byte =8 bit

1 KB = 1,024 Bytes = 8192 bit

1 MB = 1,024 KB = 1,048,576 Bytes

1 GB = 1,024 MB = 1,048,576 KB

1 TB = 1,024 GB = 1,048,576 MB

1 PB = 1,024 TB = 1,048,576 GB

1 EB = 1,024 PB = 1,048,576 TB

1 ZB = 1,024 EB = 1,048,576 PB

1 YB = 1,024 ZB = 1,048,576 EB

1 BB = 1,024 YB = 1,048,576 ZB

1 NB = 1,024 BB = 1,048,576 YB

1 DB = 1,024 NB = 1,048,576 BB

大数据的特点

5V特点：大量、高速、多样、价值、真实性

大数据技术框架

常用的技术框架：

Hadoop、Zookeeper、Hive、Flume、Kafka、Hbase、Sqoop、Oozie、Askaban、Kylin、Impala、Hue、Kudu、Kudu、Atlas、Griffin、Kettle、ClickHouse、DataX、Ambari、Ranger、Spark、Flink、Docker、Beam、Filebeat、InfluxDB、MaxWell、NiFi、Phoenix、Pulsar、Saiku、Sentry、Superset、Tableau、Kubernetes、Airflow等

大数据业务处理流程

产品经理（分析需求：统计用户的回头率）
数据部门搭建开发平台分析业务指标数据可视化（报表，大屏展示）

大数据部分人员分配（中大型公司）

大数据部门：平台组（大数据运维）、数据仓库组（ETL工程师【数据清洗】数据仓库建模工程师等）、数据挖掘组(算法工程师、推荐工程师、用户画像工程师)、报表开发组（javaEE）

大数据应用行业

• 金融行业：

  在用户画像的基础上，银行可以根据用户的年龄、资产规模、理财偏好等，对用户群进行精准定位，分析出潜在的金融服务需求。

• 电商行业：

  电子商务企业获得精准的数据分析，可以更好地了解用户的需求，制定合理的营销策略，从而给用户推广更感兴趣的产品，提高营销成功率。

• 行政政府：

  在智慧政府模式下，通过大数据技术，政府得以“感知”社会的发展变化需求，行政决策更加科学化、公共服务更加精准化、资源配置更加合理化。

• 电信行业：

  电信行业拥有庞大的数据，大数据技术可以应用于网络管理、客户关系管理、企业运营管理等，并且使数据对外商业化，实现单独盈利。

• 医疗行业：

  医疗行业通过临床数据对比、实时统计分析、远程病人数据分析、就诊行为分析等，辅助医生进行临床决策，规范诊疗路径，提高医生的工作效率。

hadoop简介

什么是hadoop

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。

• Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上。
• Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，而MapReduce则为海量的数据提供了计算。

可以说google是hadoop设计思想来源：

• Google文件系统GFSGoogle文件系统(Google FileSystem,GFS)是一个大型的分布式文件系统。-->
  HDFS存储原理。
• MapReduce -->MR 分布式运算原理
• BigTable -->Hbase数据库

Hadoop版本

Hadoop的三大版本：

apache，Cloudera, Hortonworks

Apache 原始版本： 入门首选

Cloudera：大型公司使用较多的版本。比较稳定。

Hortonworks：文档比较好。

Hadoop优势

1. 高可用性：hadoop有多个数据副本，即使某些机器存储出现问题，也不会导致数据丢失。
2. 可扩展性：在集群中，可以无限扩展节点。
3. 高效性：在mapreduce中运算，hadoop集群是并行操作的，可以使用更快速度来处理运算。
4. 高容错性：当某台节点运行任务失败，可以重新分配任务到别的节点进行运算

Hadoop新旧版本对比

Hadoop1.x版本：

HDFS(分布式文件存储)、MapReduce(资源调度与计算)、Common(辅助工具：配置模块、RPC通信、序列化、日志操作)

Hadoop2.x版本：

HDFS(分布式文件存储)、MapReduce(计算)、Yarn(资源调度)、Common(辅助工具：配置模块、RPC通信、序列化、日志操作)

HDFS架构

1. NameNode(nn): 存储文件的元数据信息
2. DataNode(dn)：在本地文件系统中存储的数据块
3. Secondary NameNode: 用于监控HDFS状态，每隔一段时间元数据的快照信息,是namenode的备份，namenode 宕机后，Secondary NameNode负责唤醒namenode并且把它里面的内容再给namenode一份。

YARN架构与MapReduce架构

YARN架构

• ResouceManager(RM):处理客户端请求，启动/监控applicationMaster、监控NodeManager、资源分配与调度。
• applicationMaster: 数据切分、应用程序资源分配、监控任务与容错。
• NodeManager(NM):
  单个节点上的资源、处理ResourceManager提交的请求、处理applicationMaster的命令。
• Container: 对任务运行环境抽象，封装了CPU,内存以及要使用的资源环境，启动命令来运行相关的资源。

MapReduce架构

MapReduce分为两个阶段： Map、Redurce

1. Map阶段是并行处理数据
2. Redurce阶段对map阶段统计的结果进行汇总