大数据技术之大数据概论.docx
《大数据技术之大数据概论.docx》由会员分享，可在线阅读，更多相关《大数据技术之大数据概论.docx（12页珍藏版）》请在冰点文库上搜索。
大数据技术之大数据概论
大数据技术之大数据概论
一
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。
最小的基本单位是bit，按顺序给出所有单位：
bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。
1Byte
=
8bit
1K
=
1024bit
1MB
=
1024K
1G
=
1024M
1T
=
1024G
1P
=
1024T
1E
=
1024P
1Z
=
1024E
1Y
=
1024Z
1B
=
1024Y
1N
=
1024B
1D
=
1024N
二
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。
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：
2020年6分58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。
订单数据：
网络数据：
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。
三
大数据能干啥？
1）O2O：
XX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XX独有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）
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。
6）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。
7）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。
8）移动联通：
移动联通：
根据用户年龄、职业、消费情况，分析统计哪种套餐适合哪类人群。
对市场人群精准定制。
9）人工智能
四
大数据发展前景
1）党的十八届五中全会提出“实施国家大数据战略”，国务院印发《促进大数据发展行动纲要》，大数据技术和应用处于创新突破期，国内市场需求处于爆发期，我国大数据产业面临重要的发展机遇。
2）国际数据公司IDC预测，到2020年，企业基于大数据计算分析平台的支出将突破5000亿美元。
目前，我国大数据人才只有46万，未来3到5年人才缺口达150万之多。
人才缺口计算
150w-40w=110w
110W/5年
=
22w/年
22w/12月=1.83w/月
自古不变的真理：
先入行者吃肉，后入行者喝汤，最后到的买单！
3）2020年北京大学、中国人民大学、北京邮电大学等25所高校成功申请开设大数据课程。
4）大数据属于高新技术，大牛少，升职竞争小；
5）在北京大数据开发工程师的平均薪水已经到17800元（数据统计来职友集），而且目前还保持强劲的发展势头。
智联、BOSS直聘
五
企业数据部的业务流程分析
六
企业数据部的一般组织结构
企业数据部的一般组织结构，适用于大中型企业。
七
从Hadoop框架讨论大数据生态
1.1
Hadoop是什么
1）Hadoop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
1.2
Hadoop发展历史
1）Lucene--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
2）2001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
6）2020-2020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
7）2020
年Hadoop
作为
Lucene的子项目
Nutch的一部分正式引入Apache基金会。
2020
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
9）Hadoop就此诞生并迅速发展，标志这云计算时代来临
1.3
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。
1）Cloudera
Hadoop
（1）2020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）2020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。
（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。
Cloudera
Support即是对Hadoop的技术支持。
（5）Cloudera的标价为每年每个节点4000美元。
Cloudera开发并贡献了可实时处理大数据的Impala项目。
2）Hortonworks
Hadoop
（1）2020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2020年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
（3）雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric
Baldeschwieler出任Hortonworks的首席执行官。
（4）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。
（5）HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook开源的Hive中。
Hortonworks的Stinger开创性的极大的优化了Hive项目。
Hortonworks为入门提供了一个非常好的，易于使用的沙盒。
（6）Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache
Hadoop能够在包括Window
Server和Windows
Azure在内的microsoft
Windows平台上本地运行。
定价以集群为基础，每10个节点每年为12500美元。
1.4
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。
1.5
Hadoop组成
1）Hadoop
HDFS：
一个高可靠、高吞吐量的分布式文件系统。
2）Hadoop
MapReduce：
一个分布式的离线并行计算框架。
3）Hadoop
YARN：
作业调度与集群资源管理的框架。
4）Hadoop
Common：
支持其他模块的工具模块。
1.5.1
HDFS架构概述
1.5.2
YARN架构概述
1）ResourceManager（rm）：
处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度；
2）NodeManager（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；
3）ApplicationMaster：
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。
4）Container：
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。
1.5.3
MapReduce架构概述
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
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
1.6
大数据技术生态体系
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。
3）Kafka：
Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
（1）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。
（2）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
（3）支持通过Kafka服务器和消费机集群来分区消息。
（4）支持Hadoop并行数据加载。
4）Storm：
Storm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。
5）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。
6）Oozie：
Oozie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。
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。
10）R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。
11）Mahout:
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。
12）ZooKeeper：
Zookeeper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。
升级会员 