大數(shù)據(jù)技術(shù)介紹課件

1、大數(shù)據(jù)技術(shù)介紹大數(shù)據(jù)時代的背景“大數(shù)據(jù)”的誕生：半個世紀(jì)以來，隨著計算機(jī)技術(shù)全面融入社會生活，信息爆炸已經(jīng)累積到了開始引發(fā)變革的程度。它不僅使世界充斥著比以往更多的信息，而且其增長速度也在加快。如今，這個概念幾乎應(yīng)用到了所有人類智力與發(fā)展的領(lǐng)域中。Facebook社交網(wǎng)絡(luò)淘寶電子商務(wù)微博、Apps移動互聯(lián)21世紀(jì)是數(shù)據(jù)信息大發(fā)展的時代，移動互聯(lián)、社交網(wǎng)絡(luò)、電子商務(wù)等極大拓展了互聯(lián)網(wǎng)的邊界和應(yīng)用范圍，各種數(shù)據(jù)正在迅速膨脹并變大互聯(lián)網(wǎng)（社交、搜索、電商）、移動互聯(lián)網(wǎng)（微博）、物聯(lián)網(wǎng)（傳感器、智慧地球）、車聯(lián)網(wǎng)、GPS、醫(yī)學(xué)影像、安全監(jiān)控、金融（銀行、股市、保險）、電信（通話、短信）大數(shù)據(jù)的定義大數(shù)

2、據(jù)（Big data或Megadata），或稱巨量數(shù)據(jù)、海量數(shù)據(jù)、大資料，指的是所涉及的數(shù)據(jù)量規(guī)模巨大到無法通過人工在合理時間內(nèi)截取、管理、處理、并整理成為人類所能解讀的形式的信息。GBTBPB數(shù)據(jù)大爆炸EBZB地球上至今總共的數(shù)據(jù)量：在2006年，個人用戶才剛剛邁進(jìn)TB時代，全球一共新產(chǎn)生了約180EB的數(shù)據(jù)；在2011年，這個數(shù)字達(dá)到1.8ZB.到2020年，整個世界的數(shù)據(jù)總量會增長44倍，達(dá)到35ZB想要駕馭著龐大的數(shù)據(jù)必須先了解大數(shù)據(jù)的特征 多樣性（Variety）大數(shù)據(jù)具有4V特征 速度（Velocity） 價值（Value） 容量（Volume）海量數(shù)據(jù)處理，難以集中存儲和計算TB

3、PBEB快速地數(shù)據(jù)傳輸流模式實時準(zhǔn)實時批量多種多樣的數(shù)據(jù)類型結(jié)構(gòu)化半結(jié)構(gòu)化非結(jié)構(gòu)化巨大的數(shù)據(jù)價值高價值低密度碎片化高離散化傳統(tǒng)數(shù)據(jù)與大數(shù)據(jù)對比傳統(tǒng)數(shù)據(jù)（DB）大數(shù)據(jù)（BD）數(shù)據(jù)規(guī)模?。∕B）大（GB、TP、PB）數(shù)據(jù)類型單一（結(jié)構(gòu)化）繁多（結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化）數(shù)據(jù)與模式關(guān)系現(xiàn)有模式后有數(shù)據(jù)現(xiàn)有數(shù)據(jù)后有模式，模式種類繁多處理對象數(shù)據(jù)各種類型相關(guān)技術(shù)分析技術(shù)：數(shù)據(jù)處理：自然語言處理技術(shù)統(tǒng)計和分析：A/B test；top N排行榜數(shù)據(jù)挖掘：關(guān)聯(lián)規(guī)則分析；分類；聚類大數(shù)據(jù)技術(shù)：數(shù)據(jù)采集：ETL工具數(shù)據(jù)存取：關(guān)系數(shù)據(jù)庫；NoSQL；SQL等基礎(chǔ)架構(gòu)支持：云存儲；分布式文件系統(tǒng)等計算結(jié)果展現(xiàn)：云

4、計算；標(biāo)簽云；關(guān)系圖等存儲：結(jié)構(gòu)化數(shù)據(jù)：海量數(shù)據(jù)的查詢、統(tǒng)計、更新等操作效率低非結(jié)構(gòu)化數(shù)據(jù)：圖片、視頻、word等文件存儲不利于檢索、查詢和存儲半結(jié)構(gòu)化數(shù)據(jù)：轉(zhuǎn)換為結(jié)構(gòu)化存儲按照非結(jié)構(gòu)化存儲解決方案：Hadoop流計算數(shù)據(jù)源（互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、企業(yè)數(shù)據(jù)）數(shù)據(jù)收集（ETL（kattle）、提取、轉(zhuǎn)換、加載）數(shù)據(jù)存儲（SQL和NoSQL）資源管理（1）、數(shù)據(jù)收集、準(zhǔn)備（2）、數(shù)據(jù)存儲批處理交互式流處理數(shù)據(jù)挖掘（數(shù)據(jù)倉庫、olap、商務(wù)智能等）數(shù)據(jù)可視化用戶（3）、資源管理（4）、計算框架（5）、數(shù)據(jù)分析（6）、數(shù)據(jù)展示Hbase的優(yōu)劣1、動態(tài)可擴(kuò)展的，創(chuàng)建表的時候不需要知道有幾列，只需要指定有幾個c

5、olumn family，并且列為空就不存儲數(shù)據(jù),節(jié)省存儲空間。為什么列是動態(tài)的？統(tǒng)計淘寶訪問量和購買量，新平臺的統(tǒng)計，傳統(tǒng)關(guān)系型數(shù)據(jù)庫需要停機(jī)維護(hù)，而Hbase支持動態(tài)增加2、多版本數(shù)據(jù)根據(jù)Row key和Column key定位到的Value可以有任意數(shù)量的版本值，因此對于需要存儲變動歷史記錄的數(shù)據(jù)，用HBase就非常方便了。3、支持事務(wù)較弱，所以有事務(wù)支持的時候都會選擇傳統(tǒng)的關(guān)系型數(shù)據(jù)庫，Hbase事務(wù)僅僅是針對某一行的一系列Put/Delete操作。不同行、不同表間一系列操作是無法放在一個事務(wù)中的。對一張多Region表來說，還是無法保證每次修改都能封裝為一個事務(wù)。計算框架批處理： m

6、apreduce 例：報表 實時性：（毫秒級）storm 例：信用卡欺詐交互式分析：（秒級）spark 數(shù)據(jù)挖掘數(shù)據(jù)挖掘從海量的數(shù)據(jù)中找到有價值的金礦數(shù)據(jù)挖掘是指從大量的數(shù)據(jù)中通過算法搜索隱藏于其中信息的過程數(shù)據(jù)可視化大數(shù)據(jù)主要應(yīng)用技術(shù)-HadoopHadoop是一個由Apache基金會所開發(fā)的分布式系統(tǒng)基礎(chǔ)架構(gòu)Hadoop的框架最核心的設(shè)計就是：HDFS和MapReduce。HDFS為海量的數(shù)據(jù)提供了存儲，則MapReduce為海量的數(shù)據(jù)提供了計算。運(yùn)行平臺：Linux、Mac OS/X，Solaris，Windows高可靠性高容錯性低成本高效性高擴(kuò)展性Hadoop 優(yōu)點1、高可靠性：had

7、oop按位存儲和處理數(shù)據(jù)的能力值得人們信賴。2、高擴(kuò)展性：hadoop是在可用的計算機(jī)集簇之間分配數(shù)據(jù)并完成計算任務(wù)的，這些集簇可以方便地擴(kuò)展到數(shù)以千計的節(jié)點中。3、高效性：能夠在節(jié)點之間動態(tài)地移動數(shù)據(jù)，并保證各個節(jié)點之間的動態(tài)平衡，因此處理速度非?？?。4、高容錯性：hadoop能夠自動保存數(shù)據(jù)的多個副本，并且能夠自動將失敗的任務(wù)重新分配。5、低成本： hadoop本身是運(yùn)行在普通PC服務(wù)器組成的集群中進(jìn)行大數(shù)據(jù)的分發(fā)及處理工作的，這些服務(wù)器集群是可以支持?jǐn)?shù)千個節(jié)點的。Hadoop核心設(shè)計兩大核心設(shè)計MapReduceHDFSMap：任務(wù)的分解Reduce：結(jié)果的匯總NameNode：文件管理

8、DataNode：文件存儲Client：文件獲取HDFS架構(gòu)主從（Master/Slave）體系結(jié)構(gòu)只含有一二NameNode主服務(wù)節(jié)點這個節(jié)點管理文件系統(tǒng)中的命名空間和調(diào)度客服端對文件的訪問通常一個機(jī)器就是一個DataNode數(shù)據(jù)節(jié)點，DataNode管理本節(jié)點上數(shù)據(jù)的存儲在HDFS內(nèi)部，一個文件被分割為一個貨多個數(shù)據(jù)塊，并且這些數(shù)據(jù)塊被存儲在一批DataNode中NameNode執(zhí)行文件系統(tǒng)中命名空間的操作（打開、關(guān)閉、重命名文件和目錄），NameNode需要執(zhí)行數(shù)據(jù)塊到DataNode映射的決策DataNode負(fù)責(zé)響應(yīng)來自客戶端的文件讀寫要求，也要負(fù)責(zé)執(zhí)行來自NameNode的關(guān)于數(shù)據(jù)塊

9、創(chuàng)建、刪除和冗余存儲的指令Map/Reduce處理過程一次Map/Reduce任務(wù)過程。用戶提交給JobTracer，JobTracer把對應(yīng)的用戶程序中的Map操作和Reduce操作映射至TaskTracer節(jié)點中；輸入模塊負(fù)責(zé)把輸入數(shù)據(jù)分成小數(shù)據(jù)塊。然后把他們傳給Map節(jié)點；Map節(jié)點得到每一個key/value對，處理后產(chǎn)生一個或多個key/value對，然后寫入文件；Reduce節(jié)點獲取臨時文件中的數(shù)據(jù)，對代用相同key的數(shù)據(jù)進(jìn)行迭代計算，然后把最終結(jié)果寫入文件。我們要數(shù)圖書館中的所有書。你數(shù)1號書架，我數(shù)2號書架。這就是“Map”。我們?nèi)嗽蕉?，?shù)書就更快?，F(xiàn)在我們到一起，把所有人的統(tǒng)

10、計數(shù)加在一起。這就是“Reduce”。Hadoop體系架構(gòu)AmbariChuKwaZooKeeperPigHiveAvroMahoutMapReduce/YARNCassandraHBaseHDFSApache Ambari是一個基于Web的工具，用于配置、管理和監(jiān)視Apache Hadoop集群，支持Hadoop HDFS、Hadoop MapReduce、Hive、HCatalog、HBase、ZooKeeper、Oozie、Pig和Sqoop。Apache AmbariApache Pig是一個用于大型數(shù)據(jù)集分析的平臺，它包含了一個用于數(shù)據(jù)分析應(yīng)用的高級語言以及評估這些應(yīng)用的基礎(chǔ)設(shè)施。P

11、ig應(yīng)用的閃光特性在于它們的結(jié)構(gòu)經(jīng)得起大量的并行，也就是說讓它們支撐起非常大的數(shù)據(jù)集。Pig的基礎(chǔ)設(shè)施層包含了產(chǎn)生Map-Reduce任務(wù)的編譯器Apache PigApache Hive是Hadoop的一個數(shù)據(jù)倉庫系統(tǒng)，促進(jìn)了數(shù)據(jù)的綜述（將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫表）、即席查詢以及存儲在Hadoop兼容系統(tǒng)中的大型數(shù)據(jù)集分析。Hive提供完整的SQL查詢功能HiveQL語言，同時當(dāng)使用這個語言表達(dá)一個邏輯變得低效和繁瑣時，HiveQL還允許傳統(tǒng)的Map/Reduce程序員使用自己定制的Mapper和Reducer。Hive類似CloudBase，基于hadoop分布式計算平臺上的提供

12、data warehouse的sql功能的一套軟件。使得存儲在hadoop里面的海量數(shù)據(jù)的匯總，即席查詢簡單化。Apache HiveHBase是一個分布式的、面向列的開源數(shù)據(jù)庫，該技術(shù)來源于 Fay Chang 所撰寫的Google論文“Bigtable：一個結(jié)構(gòu)化數(shù)據(jù)的分布式存儲系統(tǒng)”。就像Bigtable利用了Google文件系統(tǒng)（File System）所提供的分布式數(shù)據(jù)存儲一樣，HBase在Hadoop之上提供了類似于Bigtable的能力。HBase是Apache的Hadoop項目的子項目。HBase不同于一般的關(guān)系數(shù)據(jù)庫，它是一個適合于非結(jié)構(gòu)化數(shù)據(jù)存儲的數(shù)據(jù)庫。另一個不同的是HB

13、ase基于列的而不是基于行的模式。Apache HBaseApache Cassandra是一個高性能、可線性擴(kuò)展、高有效性數(shù)據(jù)庫，可以運(yùn)行在商用硬件或云基礎(chǔ)設(shè)施上打造完美的任務(wù)關(guān)鍵性數(shù)據(jù)平臺。在橫跨數(shù)據(jù)中心的復(fù)制中，Cassandra同類最佳，為用戶提供更低的延時以及更可靠的災(zāi)難備份。通過log-structured update、反規(guī)范化和物化視圖的強(qiáng)支持以及強(qiáng)大的內(nèi)置緩存，Cassandra的數(shù)據(jù)模型提供了方便的二級索引（column index）Apache CassandraAvro是一個數(shù)據(jù)系列化系統(tǒng)；Avro是doug cutting主持的RPC項目，有點類似Google的pro

14、tobuf和Facebook的thrift。 Avro用來做以后hadoop的RPC，使hadoop的RPC模塊通信速度更快、數(shù)據(jù)結(jié)構(gòu)更緊湊Apache Mahout是個可擴(kuò)展的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘庫，當(dāng)前Mahout支持主要的4個用例：推薦挖掘：搜集用戶動作并以此給用戶推薦可能喜歡的事物。聚集：收集文件并進(jìn)行相關(guān)文件分組。分類：從現(xiàn)有的分類文檔中學(xué)習(xí)，尋找文檔中的相似特征，并為無標(biāo)簽的文檔進(jìn)行正確的歸類。頻繁項集挖掘：將一組項分組，并識別哪些個別項會經(jīng)常一起出現(xiàn)。Zookeeper是Google的Chubby一個開源的實現(xiàn)。它是一個針對大型分布式系統(tǒng)的可靠協(xié)調(diào)系統(tǒng)，提供的功能包括：配置維護(hù)、名

15、字服務(wù)、 分布式同步、組服務(wù)等。ZooKeeper的目標(biāo)就是封裝好復(fù)雜易出錯的關(guān)鍵服務(wù)，將簡單易用的接口和性能高效、功能穩(wěn)定的系統(tǒng)提供給用戶。Apache Chukwa是個開源的數(shù)據(jù)收集系統(tǒng)，用以監(jiān)視大型分布系統(tǒng)。建立于HDFS和Map/Reduce框架之上，繼承了Hadoop的可擴(kuò)展性和穩(wěn)定性。Chukwa同樣包含了一個靈活和強(qiáng)大的工具包，用以顯示、監(jiān)視和分析結(jié)果，以保證數(shù)據(jù)的使用達(dá)到最佳效果。Hadoop平臺的安裝配置Hadoop安裝配置參考如下：http:/xia520pi/archive/2012/05/16/2503949.htmlZookeeper從程序員的角度來講可以理解為Had

16、oop的整體監(jiān)控系統(tǒng)。如果namenode,HMaster宕機(jī)后，這時候Zookeeper的重新選出leader。這是它最大的作用所在。下面詳細(xì)介紹zookeeper的作用Hadoop有NameNode，HBase有HMaster，為什么還需要zookeeper，下面給大家通過例子給大家介紹。一個Zookeeper的集群中,3個Zookeeper節(jié)點.一個leader,兩個follower的情況下,停掉leader,然后兩個follower選舉出一個leader.獲取的數(shù)據(jù)不變.我想Zookeeper能夠幫助Hadoop做到:Hadoop,使用Zookeeper的事件處理確保整個集群只有一個N

17、ameNode,存儲配置信息等.HBase,使用Zookeeper的事件處理確保整個集群只有一個HMaster,察覺HRegionServer聯(lián)機(jī)和宕機(jī),存儲訪問控制列表等.Hbase是一個分布式的、面向列的數(shù)據(jù)庫。Hbase利用hadoop的HDFS作為其的文件存儲系統(tǒng)，Hbase利用hadoop的MapReduce來處理Hbase中的海量數(shù)據(jù)，利用Zookeeper作為協(xié)同服務(wù)namegradcoursemathartzkb59787baoniu48980HBase shell的基本用法hbase提供了一個shell的終端給用戶交互。通過執(zhí)行 help get 可以看到命令的幫助信息。以網(wǎng)

18、上的一個學(xué)生成績表的例子來演示hbase的用法。這里grad對于表來說是一個列,course對于表來說是一個列族,這個列族由兩個列組成math和art,當(dāng)然我們可以根據(jù)我們的需要在course中建立更多的列族,如computer,physics等相應(yīng)的列添加入course列族。(1)列族 column familyhbase表中的每個列，都?xì)w屬與某個列族。列族是表的chema的一部分(而列不是)，必須在使用表之前定義。列名都以列族作為前綴。例如courses:history ， courses:math 都屬于 courses 這個列族。(2) 單元CellHBase中通過row和columns確定的為一個存貯單元稱為cell。由row key, column( = + ), version 唯一確定的單元。cell中的數(shù)據(jù)是沒有類型的，全部是字節(jié)碼形式存貯。(3)