大数据平台的毕业设计01:Hadoop与离线分析

本文涉及的产品
云数据库 RDS MySQL,集群系列 2核4GB
推荐场景:
搭建个人博客
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 大数据平台的毕业设计01:Hadoop与离线分析

前言

最近有很多人问我,大数据专业有什么好的毕设项目,我就简单的回复了一下。也有直接问我要源码的....

image.png

所以就抽空写一写自己毕业设计的一个思路,大数据是我实习自学的,这个思路是我当初自己想的,就当做一份参考吧。

在我毕业那年,同学们毕业设计大多都是以Java语言开发的各种管理系统、xx商城为主,包括我刚开始的想法也是这样的。这也是计算机专业很常见的毕业设计选题。

这种选择的好处就是简单,网上模板多。动手能力强的同学,直接去github上拉下来源码,稍微修改一下,一个毕业设计项目就完成了。动手能力弱的同学,也可以使用钞能力低成本完成。

至于缺点嘛,就是这类毕设太常见了,除非UI设计和思路特别出彩,让老师眼前一亮。要不然见多识广的老师,就会带着一颗毫无波澜的内心,用空洞的眼神看完你的演示,机械般的给你打下一个及格分。

当然,对于大部分同学的内心想法就是:能过就行。也有的同学担心,自己的毕设项目和其他同学的重合度很高,老师可能会问一些细节(稀奇古怪)的问题。所以,毕设最好还是自己做,就算找的模板,也要把技术和架构搞清楚

同时,想要做一个与众不同的毕设,在技术上也一定要“花里胡哨”。

大数据毕设思路

大数据方向的毕设,归根结底还是基于大数据平台进行构思。对于管理系统、商城这种项目毕设来说,我们面向的是编程语言,而大数据主要还是还是面向平台。就像你一说大数据,别人接着就说,大数据...就是那个Hadoop吗?

是的。虽然这个回答很片面,但是对于大数据毕设来说,就是基于Hadoop来发散延伸。

我学的不是大数据专业,也曾有成为一名优(C)秀(V)的Java开发的梦想。后来,17年实习阴差阳错就接触到大数据,并开始自学大数据,所以在18年毕业的时候,就基于大数据完成了毕业设计。这里就简单说一下当初我的毕业设计流程。

  1. 在虚拟机搭建Hadoop、Hive、Kafka、Spark集群
  2. 使用Java(建议Python)采集了163w数据放入MySQL
  3. 用Flume将mysql中的数据实时写入到了Kafka中
  4. Scala开发sparkstreaming程序,读取kafka数据进行处理,然后写入Kafka
  5. 使用Flume将kafka数据写入到了HDFS,然后加载到hive进行hsql分析
  6. 使用Springboot和Vue,开发数据管理系统,对数据进行查询和图形化展示,对接了echarts和百度地图。

就很简单,很简单。大家可以在上面的思路上进行扩展。下面就展开说一下具体步骤。

大数据毕设实践

关于下文中提到的一些大数据概念,可以参考之前写的一篇大数据的文章。

0. 数据准备

大数据,大数据,数据肯定是大的无边无际。那多大才算大?自从18年负责一天1w亿条数据的接入、存储、处理工作之后,我就飘了~ 经常同事告诉我说,要接入一个大数据量的文件接口,我问他多少,他说一天一百亿条,我一般会轻飘飘地说一句,一百亿,算多吗 ~~~

其实,对于毕业设计来说,数据量并不需要那么大,数据在大数据平台中的流转,以此来模拟大数据中的ETL和实时处理,从而体现数据的价值。 那么,数据从哪里获取呢?

方法1,我们可以写一个程序来生成一些测试数据,但是这样的话,数据重合度太高,很难体现出数据分析价值。那么就采用方法二,开发爬虫进行采集网上的数据

当时我用Java开发了一个爬虫,采集了163w条POI位置数据,存到了MySQL中,完成了数据的准备工作。爬虫的开发还是推荐用Python,17年我还不会Python,后来18年开始学习Python,后来又做了很多爬虫开发工作,再后来写了爬虫系列由浅入深的学习文章,大家也可以参考一下。

1. 大数据平台搭建

欲抬手摘星望月,必先平地起高楼。

上面也说了,大数据还是围绕着平台来搞。当时我在笔记本上搭建了三台centos系统的虚拟机,主要用来搭建下面的集群。

在集群搭建之前,需要完成下列操作系统和环境的配置。

  1. 安装JDK、Scala
  2. 三台虚拟机之间进行互信操作
  3. 安装mysql数据,作为hive的元数据库

Hadoop - 基础核心

Hadoop集群作为大数据基础建设,同时也是大数据核心。其HDFS提供了分布式存储,Yarn提供了计算资源。

如果是毕设的话,可以选择一主两从的架构,即一个NameNode和两个DataNode的架构。如果想要玩的花一点,就选择HA高可用架构,即两主两从,这里就需要四台虚拟机。

关于HA,就是两个NameNode,但是一个NN处于工作状态(active),一个NN处于待命状态(standby)。你可以kill掉active的NN,然后让standby的NN接管集群。

关于HA,在大数据是随处可见的。在Hadoop生态中,集群中的多NN和多DN是HA,HDFS的副本机制也是HA,这一块在论文中还是能体现不少东西的。

下面就是Hadoop集群的NN和DN的基本信息。

image.png

image.png

Hive - 离线分析

Hive在我的毕设中的角色就是一个数据分析的工具,主要表述的是大数据ETL中L阶段,以及大数据平台的离线分析部分。

Hive是一个数据仓库,关于它的作用就是对HDFS上的数据进行离线分析,虽然它不是数据库,但是大家可以把它当做数据库来用。这里其他基础的概念就不多介绍了。

时至今日,也有很多hive的平替产品,例如号称比hive快800倍的clickhouse,以及druid,但是在应用场景方面和hive还是有一定出入的,有兴趣的可以去了解一下。

大数据在数仓方面,有很多值得玩的平台架构和一些基本概念,ETL描述的就是基于数据仓库进行的数据处理过程。


相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
26天前
|
存储 机器学习/深度学习 SQL
大数据处理与分析技术
大数据处理与分析技术
89 2
|
16天前
|
机器学习/深度学习 存储 大数据
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系,保留最大方差信息,实现数据压缩、去噪及可视化。本文详解PCA原理、步骤及其Python实现,探讨其在图像压缩、特征提取等领域的应用,并指出使用时的注意事项,旨在帮助读者掌握这一强大工具。
32 4
|
17天前
|
关系型数据库 分布式数据库 数据库
PolarDB 以其出色的性能和可扩展性,成为大数据分析的重要工具
在数字化时代,企业面对海量数据的挑战,PolarDB 以其出色的性能和可扩展性,成为大数据分析的重要工具。它不仅支持高速数据读写,还通过数据分区、索引优化等策略提升分析效率,适用于电商、金融等多个行业,助力企业精准决策。
30 4
|
17天前
|
机器学习/深度学习 分布式计算 算法
【大数据分析&机器学习】分布式机器学习
本文主要介绍分布式机器学习基础知识,并介绍主流的分布式机器学习框架,结合实例介绍一些机器学习算法。
106 5
|
29天前
|
存储 监控 数据挖掘
【Clikhouse 探秘】ClickHouse 物化视图:加速大数据分析的新利器
ClickHouse 的物化视图是一种特殊表,通过预先计算并存储查询结果,显著提高查询性能,减少资源消耗,适用于实时报表、日志分析、用户行为分析、金融数据分析和物联网数据分析等场景。物化视图的创建、数据插入、更新和一致性保证通过事务机制实现。
110 14
|
1月前
|
消息中间件 分布式计算 大数据
数据为王:大数据处理与分析技术在企业决策中的力量
【10月更文挑战第29天】在信息爆炸的时代,大数据处理与分析技术为企业提供了前所未有的洞察力和决策支持。本文探讨了大数据技术在企业决策中的重要性和实际应用,包括数据的力量、实时分析、数据驱动的决策以及数据安全与隐私保护。通过这些技术,企业能够从海量数据中提取有价值的信息,预测市场趋势,优化业务流程,从而在竞争中占据优势。
84 2
|
1月前
|
数据采集 机器学习/深度学习 搜索推荐
大数据与社交媒体:用户行为分析
【10月更文挑战第31天】在数字化时代,社交媒体成为人们生活的重要部分,大数据技术的发展使其用户行为分析成为企业理解用户需求、优化产品设计和提升用户体验的关键手段。本文探讨了大数据在社交媒体用户行为分析中的应用,包括用户画像构建、情感分析、行为路径分析和社交网络分析,以及面临的挑战与机遇。
|
1月前
|
机器学习/深度学习 搜索推荐 大数据
大数据与教育:学生表现分析的工具
【10月更文挑战第31天】在数字化时代,大数据成为改善教育质量的重要工具。本文探讨了大数据在学生表现分析中的应用,介绍学习管理系统、智能评估系统、情感分析技术和学习路径优化等工具,帮助教育者更好地理解学生需求,制定个性化教学策略,提升教学效果。尽管面临数据隐私等挑战,大数据仍为教育创新带来巨大机遇。
|
1月前
|
存储 分布式计算 Hadoop
数据湖技术:Hadoop与Spark在大数据处理中的协同作用
【10月更文挑战第27天】在大数据时代,数据湖技术凭借其灵活性和成本效益成为企业存储和分析大规模异构数据的首选。Hadoop和Spark作为数据湖技术的核心组件,通过HDFS存储数据和Spark进行高效计算,实现了数据处理的优化。本文探讨了Hadoop与Spark的最佳实践,包括数据存储、处理、安全和可视化等方面,展示了它们在实际应用中的协同效应。
96 2
|
1月前
|
存储 分布式计算 Hadoop
数据湖技术:Hadoop与Spark在大数据处理中的协同作用
【10月更文挑战第26天】本文详细探讨了Hadoop与Spark在大数据处理中的协同作用,通过具体案例展示了两者的最佳实践。Hadoop的HDFS和MapReduce负责数据存储和预处理,确保高可靠性和容错性;Spark则凭借其高性能和丰富的API,进行深度分析和机器学习,实现高效的批处理和实时处理。
70 1