大数据复习

Posted 2022-05-17 小企鹅推雪球!

文章目录

• • 摘要
  • 大数据的简介
  • Hadoop简介
  • Hadoop的发行版本
  • Apache Hadoop版本更迭
  • Hadoop的优缺点
  • Apache Hadoop的重要组成

摘要

1. 恍惚间以及工作了半年了，最近发现自己除了日常工作外都没时间学习了，因此决定将在校期间学习到的知识点重新复习一下。

大数据的简介

1. 大数据是指无法再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，同时大数据也是需要新的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以及多样化的信息资产。
2. 大数据的特点：大量，高速，多样，真实以及低价值。
   2.1 大量：指的是采集，存储和计算的数据量都非常大。
   2.2 高速：指的是在大数据时代，数据的创建，存储，分析都被要求高速处理，比如电商网站的个性化推荐尽可能要求实时完成推荐，这也是大数据区别于传统数据挖掘的显著特征。
   2.3 多样：数据的形式和来源多样化，包括结构化，半结构化和非结构化数据，具体表现为网络日志，音频，视频，图片，地理位置信息等等，多类型的数据对数据的处理能力提出了更高的要求。
   2.4 真实：确保数据的真实性，才能保证数据分析的正确性。
   2.5 低价值：数据价值密度相对较低，互联网催生了海量数据，但是价值密度较低，如何结合业务罗杰并通过强大的机器算法来挖掘数据价值，是大数据时代最需要解决的问题。

Hadoop简介

1. Hadoop是一个适合大数据的分布式存储和计算平台，狭义上说Hadoop就是一个框架平台，广义上讲Hadoop代表大数据的一个技术生态圈，包括很多其他的软件框架。
2. Hadoop生态圈技术栈包括：Hadoop（HDFS + MapReduce + Yarn），Hive 数据仓库工具，HBase 海量列式非关系型数据库，Flume 数据采集工具，Sqoop ETL工具，Kafka 高吞吐消息中间件等。
3. Hadoop的特点包括：
   3.1 扩容能力（Scalable）:Hadoop是再计算机集群内分配数据并完成计算任务，集群可以方便的扩展到数以千计个节点。
   3.2 低成本(Economical)：Hapoop通过普通廉价的机器组成服务器集群来分发以及处理数据，成本很低。
   3.3 高效率（Efficient）：Hapood可以在节点之间动态并行的移动数据，速度很快。
   3.4 可靠性（Rellable）：能自动维护数据的多份复制，并且在任务失败后能自动的重新部署（redeploy）计算任务。
   

Hadoop的发行版本

1. 目前Hadoop发行版本非常多，有Cloudera发行版（CDH）、Hortonworks发行版、华为发行版、Intel发行版等，所有这些发行版均是基于Apache Hadoop衍生出来的。
2. 目前Hadoop常用的三个版本分别是:Apache Hadoop版本（最原始的，所有发行版均基于这个版本进行改进）、Cloudera版本（Cloudera’s Distribution Including Apache Hadoop，简称“CDH”）、Hortonworks版本（Hortonworks Data Platform，简称“HDP”）。
3. Apache Hadoop 原始版本（官网地址：http://hadoop.apache.org/），拥有全世界的开源贡献，代码更新版本比较快，需要注意版本的升级，版本的维护，以及版本之间的兼容性。
4. 软件收费版本ClouderaManager CDH版本 --生产环境使用（官网地址：https://www.cloudera.com/）。Cloudera是是美国一家大数据公司在Apache开源Hadoop的版本上，通过自己公司内部的各种补丁，实现版本之间的稳定运行，大数据生态圈的各个版本的软件都提供了对应的版本，解决了版本的升级困难，版本兼容性等各种问题。
5. 免费开源版本HortonWorks HDP版本–生产环境使用（官网地址：https://hortonworks.com/）。hortonworks主要是雅虎主导Hadoop开发的副总裁，带领二十几个核心成员成立Hortonworks，核心产品软件HDP（ambari），HDF免费开源，并且提供一整套的web管理界面，供我们可以通过web界面管理我们的集群状态，web管理界面软件HDF网址（http://ambari.apache.org/）

Apache Hadoop版本更迭

1. 0.x 系列版本：Hadoop当中最早的一个开源版本，在此基础上演变而来的1.x以及2.x的版本
2. 1.x 版本系列：Hadoop版本当中的第二代开源版本，主要修复0.x版本的一些bug等
3. 2.x 版本系列：架构产生重大变化，引入了yarn平台等许多新特性
4. 3.x 版本系列：EC技术、YARN的时间轴服务等新特性

Hadoop的优缺点

Hadoop的优点：

1. Hadoop具有存储和处理数据能力的高可靠性。
2. Hadoop通过可用的计算机集群分配数据，完成存储和计算任务，这些集群可以方便地扩展到数以千计的节点中，具有高扩展性。
3. Hadoop能够在节点之间进行动态地移动数据，并保证各个节点的动态平衡，处理速度非常快，具有高效性。
4. Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配，具有高容错性。

Hadoop的缺点：

1. Hadoop不适用于低延迟数据访问。
2. Hadoop不能高效存储大量小文件。
3. Hadoop不支持多用户写入并任意修改文件。

Apache Hadoop的重要组成

Hadoop=HDFS(分布式文件系统)+MapReduce(分布式计算框架)+Yarn(资源协调框架)+Common模块。

1. Hadoop HDFS(分布式文件系统)：（Hadoop Distribute File System ）一个高可靠、高吞吐量的分布式文件系统。比如：100T数据存储，采用“分而治之”的思想，进行数据切割，100T数据拆分为10G一个数据块由一个电脑节点存储这个数据块。HDFS主要用于数据切割，制作副本，分散存储。

   
   1.1 NameNode（nn）：存储文件的元数据，比如文件名、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。
   1.2 SecondaryNameNode（2nn）：辅助NameNode更好的工作，用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据快照。
   1.3 DataNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验.
   1.4 NN，2NN,DN这些既是HDFS角色名称，也是进程名称，代指电脑节点名称！！

2. Hadoop MapReduce(分布式计算框架)：一个分布式的离线并行计算框架，用于拆解任务，分散处理，汇整结果。 MapReduce计算 = Map阶段 + Reduce阶段，Map阶段就是“分”的阶段，并行处理输入数据；Reduce阶段就是“合”的阶段，对Map阶段结果进行汇总；
   

3. Hadoop Yarn(资源协调框架)：作业调度与集群资源管理的框架， Yarn主要用于计算资源协调
   3.1 Yarn中有如下几个主要角色，同样，既是角色名、也是进程名，也指代所在计算机节点名称。
   3.2 ResourceManager(rm)：处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度；
   3.3 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；
   3.4 ApplicationMaster(am)：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。
   3.5 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。
   3.6 ResourceManager是老大，NodeManager是小弟，ApplicationMaster是计算任务专员。

4. Hadoop Common：支持其他模块的工具模块（Configuration、RPC、序列化机制、日志操作）