大数据技术之大数据概论.docx

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）》请在冰豆网上搜索。

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。