网站开发 太原,建设网站的一般步骤是,南京网站制作电话,游戏源码买卖平台一.大数据概论
1.1 大数据概念
大数据#xff08;big data#xff09;#xff1a;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#xff0c;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… 一.大数据概论
1.1 大数据概念
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。
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。1Byte 8bit 1K 1024Byte 1MB 1024K 1G 1024M 1T 1024G 1P 1024T
1.2 大数据的特点
1、Volume大量截至目前人类生产的所有印刷材料的数据量是200PB而历史上全人类总共 说过的话的数据量大约是5EB。当前典型个人计算机硬盘的容量为TB量级而 一些大企业的数据量已经接近EB量级。二、大数据特点
2、Velocity高速这是大数据区分于传统数据挖掘的最显著特征。根据IDC的“数字宇宙”的报 告预计到2020年全球数据使用量将达到35.2ZB。在如此海量的数据面前处理 数据的效率就是企业的生命。天猫双十一2017年3分01秒天猫交易额超过100亿
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低价值密度价值密度的高低与数据总量的大小成反比。比 如在一天监控视频中我们只关心宋宋老师晚上 在床上健身那一分钟如何快速对有价值数据“提 纯”成为目前大数据背景下待解决的难题。
1.3 大数据能干啥
1、O2O百度大数据平台通过先进的线上线下打通技术和客流分析能力助 力商家精细化运营提升销量。
2、零售探索用户价值提供个性化服务解决方案贯穿网络与实体零售 携手创造极致体验。经典案例子尿布啤酒。
3、旅游深度结合大数据能力与旅游行业需求共建旅游产业智慧管理、智 慧服务和智慧营销的未来。
4、商品广告推荐给用户推荐访问过的商品广告类型
5、保险海量数据挖掘及风险预测助力保险 行业精准营销提升精细化定价能力。
6、金融多维度体现用户特征帮助金融机构 推荐优质客户防范欺诈风险。
7、房产大数据全面助力房地产行业打造精准 投策与营销选出更合适的地建造更合适的楼 卖给更合适的人。
8、人工智能
1.4 企业数据部的一般组织结构 二. 从 Hadoop 框架讨论大数据生态
2.1 Hadoop 是什么
1Hadoop 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——HADOOP 生态圈
2.2 Hadoop 发展历史
1Lucene--Doug Cutting 开创的开源软件用 java 书写代码实现与 Google 类似的全文搜 索功能它提供了全文检索引擎的架构包括完整的查询引擎和索引引擎
22001 年年底成为 apache 基金会的一个子项目
3对于大数量的场景Lucene 面对与 Google 同样的困难
4学习和模仿 Google 解决这些问题的办法 微型版 Nutch
5可以说 Google 是 hadoop 的思想之源(Google 在大数据方面的三篇论文)
GFS ---HDFS
Map-Reduce ---MR
BigTable ---Hbase
62003-2004 年Google 公开了部分 GFS 和 Mapreduce 思想的细节以此为基础 Doug Cutting 等人用了 2 年业余时间实现了 DFS 和 Mapreduce 机制使 Nutch 性能飙升
72005 年 Hadoop 作为 Lucene 的子项目 Nutch的一部分正式引入 Apache 基金会。2006 年 3 月份Map-Reduce 和 Nutch Distributed File System (NDFS) 分别被纳入称为 Hadoop 的项 目中
8名字来源于 Doug Cutting 儿子的玩具大象
9Hadoop 就此诞生并迅速发展标志着云计算时代来临
2.3 Hadoop 三大发行版本
Hadoop 三大发行版本: Apache、Cloudera、Hortonworks。
Apache 版本最原始最基础的版本对于入门学习最好。
Cloudera 在大型互联网企业中用的较多。
Hortonworks 文档较好。
2.4 Hadoop 的优势
1高可靠性因为 Hadoop 假设计算元素和存储会出现故障因为它维护多个工作数据副本在出现故障时可以对失败的节点重新分布处理。
2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。
3高效性在 MapReduce 的思想下Hadoop 是并行工作的以加快任务处理速度。
4高容错性自动保存多份副本数据并且能够自动将失败的任务重新分配。
2.5 Hadoop 组成 1Hadoop HDFS一个高可靠、高吞吐量的分布式文件系统。
2Hadoop MapReduce一个分布式的离线并行计算框架。
3Hadoop YARN作业调度与集群资源管理的框架。
4Hadoop Common支持其他模块的工具模块Configuration、RPC、序列化机制、日志 操作。 2.5.1 HDFS 架构概述
1NameNodenn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。
2DataNode(dn)在本地文件系统存储文件块数据以及块数据的校验和。
3Secondary NameNode(2nn)用来监控HDFS状态的辅助后台程序每隔一段时间获取HDFS元数据的快照。
2.5.2 YARN 架构概述 1ResourceManager(rm)处理客户端请求、启动/监控 ApplicationMaster、监控 NodeManager、 资源分配与调度
2NodeManager(nm)单个节点上的资源管理、处理来自 ResourceManager 的命令、处理来 自 ApplicationMaster 的命令
3ApplicationMaster数据切分、为应用程序申请资源并分配给内部任务、任务监控与容错。
4Container对任务运行环境的抽象封装了 CPU、内存等多维资源以及环境变量、启动 命令等任务运行相关的信息。
2.5.3 MapReduce 架构概述
MapReduce 将计算过程分为两个阶段Map 和 Reduce
1Map 阶段并行处理输入数据
2Reduce 阶段对 Map 结果进行汇总 上图简单的阐明了 map 和 reduce 的两个过程或者作用虽然不够严谨但是足以提供 一个大概的认知map 过程是一个蔬菜到制成食物前的准备工作reduce 将准备好的材料合 并进而制作出食物的过程。
2.6 大数据技术生态体系 图中涉及的技术名词解释如下
1Sqoopsqoop 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。
2FlumeFlume 是 Cloudera 提供的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同时Flume 提供对数据进行简单处理并写到各种数据接受方可定制的能力。
3KafkaKafka 是一种高吞吐量的分布式发布订阅消息系统有如下特性 通过 O(1)的磁盘数据结构提供消息的持久化这种结构对于即使数以 TB 的消息 存储也能够保持长时间的稳定性能。 高吞吐量即使是非常普通的硬件 Kafka 也可以支持每秒数百万的消息 支持通过 Kafka 服务器和消费机集群来分区消息。 支持 Hadoop 并行数据加载。
4StormStorm 为分布式实时计算提供了一组通用原语可被用于“流处理”之中实时 处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。Storm 也可被用于“连 续计算”continuous computation对数据流做连续查询在计算时就将结果以流的形式 输出给用户。
5SparkSpark 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。
6OozieOozie 是一个管理 Hdoop 作业job的工作流程调度管理系统。Oozie 协调作业 就是通过时间频率和有效数据触发当前的 Oozie 工作流程。
7HbaseHBase 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。
8Hivehive 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。9R 语言R 是用于统计分析、绘图的语言和操作环境。R 是属于 GNU 系统的一个自由、 免费、源代码开放的软件它是一个用于统计计算和统计制图的优秀工具。
10Mahout: Apache Mahout 是个可扩展的机器学习和数据挖掘库当前 Mahout 支持主要的 4 个用 例推荐挖掘搜集用户动作并以此给用户推荐可能喜欢的事物。聚集收集文件并进行相关文件分组。分类从现有的分类文档中学习寻找文档中的相似特征并为无标签的文档进行正确 的归类。频繁项集挖掘将一组项分组并识别哪些个别项会经常一起出现。
11ZooKeeperZookeeper 是 Google 的 Chubby 一个开源的实现。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。ZooKeeper 的目标就是封装好复杂易出错的关键服务将简单易用的接口和性能高效、功能 稳定的系统提供给用户。
2.7 推荐系统框架图 今天分享就到这里欢迎点赞收藏转发感谢
