大數據介紹課件

大數據時代的背景“大數據”的誕生：半個世紀以來，隨著計算機技術全面融入社會生活，信息爆炸已經累積到了開始引發(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，這個概念幾乎應用到了所有人類智力與發(fā)展的領域中。Facebook社交網絡淘寶電子商務微博、Apps移動互聯21世紀是數據信息大發(fā)展的時代，移動互聯、社交網絡、電子商務等極大拓展了互聯網的邊界和應用范圍，各種數據正在迅速膨脹并變大互聯網（社交、搜索、電商）、移動互聯網（微博）、物聯網（傳感器、智慧地球）、車聯網、GPS、醫(yī)學影像、安全監(jiān)控、金融（銀行、股市、保險）、電信（通話、短信）大數據的定義大數據（Bigdata或Megadata），或稱巨量數據、海量數據、大資料，指的是所涉及的數據量規(guī)模巨大到無法通過人工在合理時間內截取、管理、處理、并整理成為人類所能解讀的形式的信息。GBTBPB數據大爆炸EBZB地球上至今總共的數據量：在2006年，個人用戶才剛剛邁進TB時代，全球一共新產生了約180EB的數據；在2011年，這個數字達到1.8ZB.到2020年，整個世界的數據總量會增長44倍，達到35ZB想要駕馭著龐大的數據必須先了解大數據的特征

多樣性（Variety）大數據具有4V特征

速度（Velocity）

價值（Value）

容量（Volume）海量數據處理，難以集中存儲和計算TBPBEB快速地數據傳輸流模式實時準實時批量多種多樣的數據類型結構化半結構化非結構化巨大的數據價值高價值低密度碎片化高離散化傳統數據與大數據對比傳統數據（DB）大數據（BD）數據規(guī)模?。∕B）大（GB、TP、PB）數據類型單一（結構化）繁多（結構化、半結構化、非結構化）數據與模式關系現有模式后有數據現有數據后有模式，模式種類繁多處理對象數據各種類型相關技術分析技術：數據處理：自然語言處理技術統計和分析：A/Btest；topN排行榜數據挖掘：關聯規(guī)則分析；分類；聚類大數據技術：數據采集：ETL工具數據存?。宏P系數據庫；NoSQL；SQL等基礎架構支持：云存儲；分布式文件系統等計算結果展現：云計算；標簽云；關系圖等存儲：結構化數據：海量數據的查詢、統計、更新等操作效率低非結構化數據：圖片、視頻、word等文件存儲不利于檢索、查詢和存儲半結構化數據：轉換為結構化存儲按照非結構化存儲解決方案：Hadoop流計算數據源（互聯網、物聯網、企業(yè)數據）數據收集（ETL（kattle）、提取、轉換、加載）數據存儲（SQL和NoSQL）資源管理（1）、數據收集、準備（2）、數據存儲批處理交互式流處理數據挖掘（數據倉庫、olap、商務智能等）數據可視化用戶（3）、資源管理（4）、計算框架（5）、數據分析（6）、數據展示Hbase的優(yōu)劣1、動態(tài)可擴展的，創(chuàng)建表的時候不需要知道有幾列，只需要指定有幾個columnfamily，并且列為空就不存儲數據,節(jié)省存儲空間。為什么列是動態(tài)的？統計淘寶訪問量和購買量，新平臺的統計，傳統關系型數據庫需要停機維護，而Hbase支持動態(tài)增加2、多版本數據

根據Rowkey和Columnkey定位到的Value可以有任意數量的版本值，因此對于需要存儲變動歷史記錄的數據，用HBase就非常方便了。3、支持事務較弱，所以有事務支持的時候都會選擇傳統的關系型數據庫，Hbase事務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。計算框架批處理：mapreduce例：報表實時性：（毫秒級）storm例：信用卡欺詐交互式分析：（秒級）spark數據挖掘數據挖掘從海量的數據中找到有價值的金礦數據挖掘是指從大量的數據中通過算法搜索隱藏于其中信息的過程數據可視化大數據主要應用技術---HadoopHadoop是一個由Apache基金會所開發(fā)的分布式系統基礎架構Hadoop的框架最核心的設計就是：HDFS和MapReduce。HDFS為海量的數據提供了存儲，則MapReduce為海量的數據提供了計算。運行平臺：Linux、MacOS/X，Solaris，Windows高可靠性高容錯性低成本高效性高擴展性Hadoop優(yōu)點1、高可靠性：hadoop按位存儲和處理數據的能力值得人們信賴。2、高擴展性：hadoop是在可用的計算機集簇之間分配數據并完成計算任務的，這些集簇可以方便地擴展到數以千計的節(jié)點中。3、高效性：能夠在節(jié)點之間動態(tài)地移動數據，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能夠自動保存數據的多個副本，并且能夠自動將失敗的任務重新分配。5、低成本：hadoop本身是運行在普通PC服務器組成的集群中進行大數據的分發(fā)及處理工作的，這些服務器集群是可以支持數千個節(jié)點的。Hadoop核心設計兩大核心設計MapReduceHDFSMap：任務的分解Reduce：結果的匯總NameNode：文件管理DataNode：文件存儲Client：文件獲取HDFS架構主從（Master/Slave）體系結構只含有一二NameNode主服務節(jié)點這個節(jié)點管理文件系統中的命名空間和調度客服端對文件的訪問通常一個機器就是一個DataNode數據節(jié)點，DataNode管理本節(jié)點上數據的存儲在HDFS內部，一個文件被分割為一個貨多個數據塊，并且這些數據塊被存儲在一批DataNode中NameNode執(zhí)行文件系統中命名空間的操作（打開、關閉、重命名文件和目錄），NameNode需要執(zhí)行數據塊到DataNode映射的決策DataNode負責響應來自客戶端的文件讀寫要求，也要負責執(zhí)行來自NameNode的關于數據塊創(chuàng)建、刪除和冗余存儲的指令Map/Reduce處理過程一次Map/Reduce任務過程。用戶提交給JobTracer，JobTracer把對應的用戶程序中的Map操作和Reduce操作映射至TaskTracer節(jié)點中；輸入模塊負責把輸入數據分成小數據塊。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據，對代用相同key的數據進行迭代計算，然后把最終結果寫入文件。我們要數圖書館中的所有書。你數1號書架，我數2號書架。這就是“Map”。我們人越多，數書就更快?，F在我們到一起，把所有人的統計數加在一起。這就是“Reduce”。Hadoop體系架構AmbariChuKwaZooKeeperPigHiveAvroMahoutMapReduce/YARNCassandraHBaseHDFSApacheAmbari是一個基于Web的工具，用于配置、管理和監(jiān)視ApacheHadoop集群，支持HadoopHDFS、HadoopMapReduce、Hive、HCatalog、HBase、ZooKeeper、Oozie、Pig和Sqoop。ApacheAmbariApachePig是一個用于大型數據集分析的平臺，它包含了一個用于數據分析應用的高級語言以及評估這些應用的基礎設施。Pig應用的閃光特性在于它們的結構經得起大量的并行，也就是說讓它們支撐起非常大的數據集。Pig的基礎設施層包含了產生Map-Reduce任務的編譯器ApachePigApacheHive是Hadoop的一個數據倉庫系統，促進了數據的綜述（將結構化的數據文件映射為一張數據庫表）、即席查詢以及存儲在Hadoop兼容系統中的大型數據集分析。Hive提供完整的SQL查詢功能——HiveQL語言，同時當使用這個語言表達一個邏輯變得低效和繁瑣時，HiveQL還允許傳統的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datawarehouse的sql功能的一套軟件。使得存儲在hadoop里面的海量數據的匯總，即席查詢簡單化。ApacheHiveHBase是一個分布式的、面向列的開源數據庫，該技術來源于FayChang所撰寫的Google論文“Bigtable：一個結構化數據的分布式存儲系統”。就像Bigtable利用了Google文件系統（FileSystem）所提供的分布式數據存儲一樣，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不同于一般的關系數據庫，它是一個適合于非結構化數據存儲的數據庫。另一個不同的是HBase基于列的而不是基于行的模式。ApacheHBaseApacheCassandra是一個高性能、可線性擴展、高有效性數據庫，可以運行在商用硬件或云基礎設施上打造完美的任務關鍵性數據平臺。在橫跨數據中心的復制中，Cassandra同類最佳，為用戶提供更低的延時以及更可靠的災難備份。通過log-structuredupdate、反規(guī)范化和物化視圖的強支持以及強大的內置緩存，Cassandra的數據模型提供了方便的二級索引（columnindex）ApacheCassandraAvro是一個數據系列化系統；Avro是dougcutting主持的RPC項目，有點類似Google的protobuf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、數據結構更緊湊ApacheMahout是個可擴展的機器學習和數據挖掘庫，當前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：收集文件并進行相關文件分組。

分類：從現有的分類文檔中學習，尋找文檔中的相似特征，并為無標簽的文檔進行正確的歸類。

頻繁項集挖掘：將一組項分組，并識別哪些個別項會經常一起出現。Zookeeper是Google的Chubby一個開源的實現。它是一個針對大型分布式系統的可靠協調系統，提供的功能包括：配置維護、名字服務、分布式同步、組服務等。ZooKeeper的目標就是封裝好復雜易出錯的關鍵服務，將簡單易用的接口和性能高效、功能穩(wěn)定的系統提供給用戶。ApacheChukwa是個開源的數據收集系統，用以監(jiān)視大型分布系統。建立于HDFS和Map/Reduce框架之上，繼承了Hadoop的可擴展性和穩(wěn)定性。Chukwa同樣包含了一個靈活和強大的工具包，用以顯示、監(jiān)視和分析結果，以保證數據的使用達到最佳效果。Hadoop平臺的安裝配置Hadoop安裝配置參考如下：/xia520pi/archive/2012/05/16/2503949.htmlZookeeper

從程序員的角度來講可以理解為Hadoop的整體監(jiān)控系統。如果namenode,HMaster宕機后，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.獲取的數據不變.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NameNode,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聯機和宕機,存儲訪問控制列表等.Hbase是一個分布式的、面向列的數據庫。Hbase利用hadoop的HDFS作為其的文件存儲系統，Hbase利用hadoop的MapReduce來處理Hbase中的海量數據，利用Zookeeper作為協同服務namegradcoursemathartzkb59787baoniu48980HBaseshell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helpget可以看到命令的幫助信息。以網上的一個學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,當然我們可以根據我們的需要在course中建立更多的列族,如computer,physics等相應的列添加入course列族。(1)

列族columnfamily

hbase表中的每個列，都歸屬與某個列族。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

Cell

HBase中通過row和columns確定的為一個存貯單元稱為cell。由{rowkey,column(=<family>+<label>),version}唯一確定的單元。cell中的數據是沒有類型的，全部是字節(jié)碼形式存貯。(3)

時間戳timestamp每個cell都保存著同一份數據的多個版本。版本通過時間戳來索引。時間戳的類型是64位整型。時間戳可以由hbase(在數據寫入時自動)賦值，此時時間戳是精確到毫秒的當前系統時間。時間戳也可以由客戶顯式賦值。如果應用程序要避免數據版本沖突，就必須自己生成具有唯一性的時間戳。每個cell中，不同版本的數據按照時間倒序排序，即最新的數據排在最前面。為了避免數據存在過多版本造成的的管理(包括存貯和索引)負擔，hbase提供了兩種數據版本回收方式。一是保存數據的最后n個版本，二是保存最近一段時間內的版本（比如最近七天）。用戶可以針對每個列族進行設置。Thinks大數據數據的本質數據本質是生產資料和資產數據生產資料資產大數據的提出在1980年，著名未來學家阿爾文·托夫勒便在《第三次浪潮》一書中，明確提出“數據就是財富”，將大數據稱為“第三次浪潮的華彩樂章”。第二次浪潮第三次浪潮第一次浪潮農業(yè)階段，約1萬年前開始工業(yè)階段，17世紀末開始信息化階段，20世紀50年代后期開始“如果說IBM的主機拉開了信息化革命的大幕，那么大數據才是第三次浪潮的華彩樂章。”從“數據”到“大數據”事件一事件二事件三時至今日，“數據”變身“大數據”，“開啟了一次重大的時代轉型”“大數據”這一概念的形成，有三個標志性事件：2008年9月，美國《自然》（Nature）雜志專刊——Thenextgoogle，第一次正式提出“大數據”概念。2011年2月1日，《科學》（Science）雜志?？狣ealingwithdata，通過社會調查的方式，第一次綜合分析了大數據對人們生活造成的影響，詳細描述了人類面臨的“數據困境”。2011年5月，麥肯錫研究院發(fā)布報告——Bigdata:Thenextfrontierforinnovation,competition,andproductivity,第一次給大數據做出相對清晰的定義：“大數據是指其大小超出了常規(guī)數據庫工具獲取、儲存、管理和分析能力的數據集?！贝髷祿亩x大數據（bigdata），指無法在一定時間范圍內用常規(guī)軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發(fā)現力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產。大數據的來源隨著智能手機的普及，網民參與互聯網產品和使用各種手機應用的程度越來越深，用戶的行為、位置、甚至身體生理等每一點變化都成為了可被記錄和分析的數據，數據量呈現爆炸式增長。地球上至今總共的數據量：在2006年，個人用戶才剛剛邁進TB時代，全球一共新產生了約180EB的數據；據IDC研究機構預測：到2020年，整個世界的數據總量將會增長44倍，達到35.2ZB（1ZB=10億TB）！1PB=2^50字節(jié)1EB=2^60字節(jié)1ZB=2^70字節(jié)TBPBEB ZB在2011年，這個數字達到了1.8ZB。GB數據大爆炸大數據的來源互聯網每天產生的全部內容可以刻滿6.4億張DVDGoogle每天需要處理24PB的數據網民每天在Facebook上要花費234億分鐘，被移動互聯網使用者發(fā)送和接收的數據高達44PB全球每秒發(fā)送290萬封電子郵件，一分鐘讀一篇的話，足夠一個人晝夜不停地讀5.5年每天會有2.88萬個小時的視頻上傳到YouTube，足夠一個人晝夜不停地觀看3.3年Twitter上每天發(fā)布5000萬條消息，假設10秒就瀏覽一條消息，足夠一個人晝夜不停地瀏覽16年大數據到底有多大？

以上一組互聯網數據大數據的來源來自大量傳感器的機器數據科學研究及行業(yè)多結構專業(yè)數據來自“大人群”泛互聯網數據智能終端拍照、拍視頻發(fā)微博、發(fā)微信其他互聯網數據隨著人類活動的進一步擴展，數據規(guī)模會急劇膨脹，包括金融、汽車、零售、餐飲、電信、能源、政務、醫(yī)療、體育、娛樂等在內的各行業(yè)累積的數據量越來越大，數據類型也越來越多、越來越復雜，已經超越了傳統數據管理系統、處理模式的能力范圍，于是“大數據”這樣一個概念才會應運而生。大數據的構成大數據=海量數據（交易數據、交互數據）+針對海量數據處理的解決方案海量交易數據：企業(yè)內部的經營交易信息主要包括聯機交易數據和聯機分析數據，是結構化的、通過關系數據庫進行管理和訪問的靜態(tài)、歷史數據。通過這些數據，我們能了解過去發(fā)生了什么。海量交互數據：源于Facebook、Twitter、微博、及其他來源的社交媒體數據構成。它包括了呼叫詳細記錄CDR、設備和傳感器信息、GPS和地理定位映射數據、通過管理文件傳輸ManageFileTransfer協議傳送的海量圖像文件、Web文本和點擊流數據、科學信息、電子郵件等等。可以告訴我們未來會發(fā)生什么。海量數據處理：大數據的涌現已經催生出了設計用于數據密集型處理的架構。例如具有開放源碼、在商品硬件群中運行的ApacheHadoop。注：大數據不僅僅指的是數據量龐大，更為重要的是數據類型復雜大交易數據大交互數據大數據處理大數據集成大數據4V特征4V特征種類多（Variety）速度快（Velocity）價值高（Value）體量大（Volume）大數據與傳統數據相比，數據來源廣、維度多、類型雜，各種機器儀表在自動產生數據的同時，人自身的生活行為也在不斷創(chuàng)造數據；不僅有企業(yè)組織內部的業(yè)務數據，還有海量相關的外部數據。隨著現代感測、互聯網、計算機技術的發(fā)展，數據生成、儲存、分析、處理的速度遠遠超出人們的想象力，這是大數據區(qū)別于傳統數據或小數據的顯著特征。大數據有巨大的潛在價值，但同其呈幾何指數爆發(fā)式增長相比，某一對象或模塊數據的價值密度較低，這無疑給我們開發(fā)海量數據增加了難度和成本。從2013年至2020年，人類的數據規(guī)模將擴大50倍，每年產生的數據量將增長到44萬億GB，相當于美國國家圖書館數據量的數百萬倍，且每18個月翻一番。大數據4V特征—價值高（Value）大數據有巨大的潛在價值，但同其呈幾何指數爆發(fā)式增長相比，某一對象或模塊數據的價值密度較低，這無疑給我們開發(fā)海量數據增加了難度和成本。挖掘大數據的價值類似沙里淘金，從海量數據中挖掘稀疏但珍貴的信息；價值密度低，是大數據的一個典型特征；大數據4V特征—體量大（Volume）從2013年至2020年，人類的數據規(guī)模將擴大50倍，每年產生的數據量將增長到44萬億GB，相當于美國國家圖書館數據量的數百萬倍，且每18個月翻一番。1Bity1KB1MB1GB1TB1PB1EB1ZB1YB1PB相當于50%的全美學術研究圖書館藏書信息內容5EB相當于至今全世界人類所講過的話語1ZB如同全世界海灘上的沙子數量總和1YB相當于7000位人類體內的微細胞總和一般情況下，大數據是以PB、EB、ZB為單位進行計量的大數據4V特征—速度快（Velocity）82254132215327源自英國Coda研究咨詢公司大數據的增長速度快大數據的處理速度快實時數據流處理的要求，是區(qū)別大數據引用和傳統數據倉庫技術，BI技術的關鍵差別之一；1s是臨界點，對于大數據應用而言,必須要在1秒鐘內形成答案，否則處理結果就是過時和無效的；現在及未來幾年內美國的移動網絡數據流量增長（PB/月）大數據4V特征—種類多（Variety）大數據與傳統數據相比，數據來源廣、維度多、類型雜，各種機器儀表在自動產生數據的同時，人自身的生活行為也在不斷創(chuàng)造數據；不僅有企業(yè)組織內部的業(yè)務數據，還有海量相關的外部數據。數據來源多企業(yè)內部多個應用系統的數據、互聯網和物聯網的興起，帶來了微博、社交網站、傳感器等多種來源。數據類型多保存在關系數據庫中的結構化數據只占少數，70~80%的數據是如圖片、音頻、視頻、模型、連接信息、文檔等非結構化和半結構化數據。關聯性強數據之間頻繁交互，比如游客在旅行途中上傳的圖片和日志，就與游客的位置、行程等信息有了很強的關聯性。物聯網數據行業(yè)/企業(yè)內數據互聯網數據大數據大數據帶來的思維變革大數據大數據的核心代表著我們分析信息時的三個轉變，這些轉變將改變我們理解和組建社會的方法更多更雜更好更多不是隨機樣本，而是全體數據更好不是因果關系，而是相關關系更雜不是精確性，而是混雜性大數據帶來的思維變革—更多人口大普查全數據模式隨機采樣樣本模式大數據應用全數據模式是指在國家統一規(guī)定的時間內，按照統一的方法、統一的項目、統一的調查表和統一的標準時點，對全國人口普遍地、逐戶逐人地進行的一次性調查登記；主要特點是調查組織高度集中性，普查對象的全面完整性；人口大普查耗時耗費，一般來講是十年一次，新中國成立以來共進行了6次人口大普查；人口大普查是一種典型的全數據模式；大數據時代小數據時代大數據帶來的思維變革—更多人口大普查全數據模式隨機采樣樣本模式大數據應用全數據模式人口大普查是一種耗時耗費的工程，一般是以十年為單位；各國每年需要進行幾百次的小規(guī)模人口調查，采取隨機采樣分析的方式，這是一種樣本模式；源于實用并且很好的創(chuàng)新！隨機采樣分析是小數據時代的產物；大數據時代小數據時代大數據帶來的思維變革—更多人口大普查全數據模式隨機采樣樣本模式大數據應用全數據模式我們已具備了大數據的各種技術能力，思維需要轉換到大數據的全數據模式：樣本=全部；大數據不用隨機分析法這樣的捷徑，而采用所有數據的方法；這里的“大”是相對的——相撲比賽所有數據存儲還不需要一個TB，但是是所有的數據！在大數據時代采用隨機采樣法，就像在汽車時代騎馬一樣，雖然特定情況下仍可采樣隨機采樣法，但是慢慢地我們會放棄它；大數據時代小數據時代大數據帶來的思維變革—更好佛教《三世因果經》主要講