Hadoop基础

Hadoop基础

[TOC]

Hadoop基础

大数据概论

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I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

主要解决:海量数据的存储和海量数据的分析计算问题。

存储单位:bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。

1Byte = 8bit
1K = 1024Byte
1MB = 1024K
1G = 1024M
1T = 1024G
1P = 1024T

大数据的特点

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。

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。

Variety-多样

这种类型的多样性也让数据被分为结构化数据非结构化数据。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。

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

大数据应用场景

物流仓储:大数据分析系统助力商品精细化运营、提升销量、节约成本。
零售:分析用户消费习惯,为用户购买商品提供方便,从而提升商品销量。
旅游:深度结合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。
商品广告推荐:给用户推荐可能喜欢的商品。
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。
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。
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。
人工智能

大数据的发展前景

党的十八大提出“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。

党的十九大提出”推动互联网、大数据、人工智能和实体经济深度融合”。

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。

2017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。

大数据属于高新技术,大牛少,升职竞争小。

大数据部门业务流程分析※

产品人员提出需求(统计总用户数、日活跃用户数、回流用户数)。

数据部门搭建数据平台、分析数据指标。

数据可视化(报表展示、邮件发送、大屏幕展示等)

大数据部门组织结构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
graph TD
A[大数据部门组织结构] --> B[平台组]
B[平台组] --> B1[Hadoop/Flume/kafka/HBase/Spark等框架平台搭建]
B[平台组] --> B2[集群性能监控]
B[平台组] --> B3[集群性能调优]
A[大数据部门组织结构] --> C[数据仓库组]
C[数据仓库组] --> C1[ETL工程师-数据清洗]
C[数据仓库组] --> C2[Hive工程师-数据分析/数据仓库建模]
A[大数据部门组织结构] --> D[数据挖掘组]
D[数据挖掘组] --> D1[算法工程师]
D[数据挖掘组] --> D2[推荐系统工程师]
D[数据挖掘组] --> D3[用户画像工程师]
A[大数据部门组织结构] --> E[报表开发组]
E[报表开发组] --> E1[JavaEE工程师]

从Hadoop框架讨论大数据生态

Hadoop是什么

  • Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
  • 主要解决,海量数据的存储和海量数据的分析计算问题。
  • 广义上来说,Hadoop通常是指一个更广泛的概念

Hadoop发展历史

  • 1)Lucene框架是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。

Hadoop创始人Doug Cutting

  • 2) 200 l年年底Lucene成为Apache基金会的一个子项目。

  • 3)对于海量数据的场景,Lucene面对与Google同样的困难, 存储数据困难,检索速度慢。

  • 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
Google File System中文版

Map-Reduce —> MR
Google MapReduce中文版

BigTable —> HBase
Google Bigtable

  • 6) 2003-2004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) 2005 年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会。

  • 8) 2006 年3月份,Map-Reduce和Nutch Distibuted File System (NDFS)分别被纳入到Hadoop项目中,Hadoop就此正式诞生,标志着大数据时代来临。

  • 9)名字来源于Doug Cutting儿子的玩具大象。

Hadoop三大发行版本

ApacheClouderaHortonworks

Apache版本最原始(最基础)的版本,对于入门学习最好。(版本手动配置)
Cloudera在大型互联网企业中用的较多。(收费,cbh版本兼容)
Hortonworks文档较好。

Apache版本

Apache版本官网地址
Apache版本下载地址

Cloudera版本

Cloudera版本官网地址
Cloudera版本下载地址

  • (1)2008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)2009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。

Hortonworks版本

Hortonworks版本官网地址
Hortonworks版本下载地址

  • (1)2011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2005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。

Hadoop的优势(4高)

  • 1)高可靠性: Hadoop底层维护多个数据副本,所以即使Hadoop某个计算元素或存储出现故障,也不会导致数据的丢失。

  • 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:能够自动将失败的任务重新分配。

Hadoop组成(面试重点)

Hadoop1.x和Hadoop2.x区别

Hadoop1.x组成:

1
2
3
4
graph TB
A[MapReduce-计算+资源调度]
B[HDFS-数据存储]
C[Common-辅助工具]

Hadoop2.x组成:

1
2
3
4
5
graph TB
A[MapReduce-计算]
B[Yarn-资源调度]
C[HDFS-数据存储]
D[Common-辅助工具]

在Hadoop1.x时代,Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度,耦合性较大,在Hadoop2.x时代,增加了Yarn。Yarn只负责资源的调度MapReduce只负责运算。

HDFS架构概述

HDFS(Hadoop Distributed File System)的架构概述。

NameNode(nn)

存储文件的元数据,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。

DataNode(dn)

在本地文件系统存储文件块数据,以及块数据的校验和。

Secondary NameNode(2nn)

用来金控HDFS状态的辅助后台程序,每隔一段时间获取HDFS元数据的快照。

YARN架构概述

ResourceManager(RM)

  • (1)处理客户端请求
  • (2)监控NodeManager
  • (3)启动或监控ApplicationMaster(运行任务)
  • (4)资源的分配与调度
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
graph LR
A1(Client1)
A2(Client2)
subgraph 节点1
B[Resource Manager]
end

A1(Client1) --> |Job Submission作业提交| B[Resource Manager]
A2(Client2) --> |Job Submission作业提交| B[Resource Manager]

subgraph 节点2
D1[Node Manager2]
F1(App Mstr2)
end

D1[Node Manager2] --> |Node Status节点状态| B[Resource Manager]
F1(App Mstr2) --> |MapReduce Status MR状态| B[Resource Manager]

subgraph 节点3
D2[Node Manager3]
E2(App Mstr3)
end

D2[Node Manager3] --> |Node Status节点状态| B[Resource Manager]
E2(App Mstr2) --> |Resource Request资源请求| B[Resource Manager]

subgraph 节点4
D3[Node Manager4]
end

D3[Node Manager4] --> |Node Status节点状态| B[Resource Manager]

NodeManager(NM)

某一台机器

  • (1)管理单个节点上的资源
  • (2)处理来自ResourceManager的命令
  • (3)处理来自ApplicationMaster的命令

ApplicationMaster(AM)

某一个任务

  • (1)负责数据的切分
  • (2)为应用程序申请资源并分配给内部的任务
  • (3)任务的监控与容错

Container

YARN中的资源抽象,它封装了某个节点上的多纬度资源,如内存、CPU、磁盘、网络等。

流程图架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
graph LR
A1(Client1)
A2(Client2)
subgraph 节点1
B[Resource Manager]
end

A1(Client1) --> |Job Submission作业提交| B[Resource Manager]
A2(Client2) --> |Job Submission作业提交| B[Resource Manager]

subgraph 节点2
D1[Node Manager1]
E1(Container)
F1(App Mstr)
end

D1[Node Manager1] --> |Node Status节点状态| B[Resource Manager]
F1(App Mstr2) --> |MapReduce Status MR状态| B[Resource Manager]
E1(Container) --> E2(App Mstr)

subgraph 节点3
D2[Node Manager1]
E2(App Mstr)
F2(Container)
end

D2[Node Manager1] --> |Node Status节点状态| B[Resource Manager]
E2(App Mstr2) --> |Resource Request资源请求| B[Resource Manager]
F2(Container) --> F1(App Mstr)

subgraph 节点4
D3[Node Manager1]
E3(Container)
F3(Container)
end

D3[Node Manager1] --> |Node Status节点状态| B[Resource Manager]
E3(Container) --> E2(App Mstr)
F3(Container) --> E2(App Mstr)

MapReduce架构

MapReduce将计算过程分为两个阶段:MapReduce

  • (1)Map阶段并行处理输入数据
  • (2)Reduce阶段对Map结果进行汇总
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
graph LR
subgraph 待分析数据
A(100T)
E[xxx_hibiscidai.ppt]
F[xxx_hibiscidai.excel]
D[xxx_hibiscidai.docx]
G[... ... ]
end

A(100T) --> |Map| B1[hadoop101]
A(100T) --> |Map| B2[hadoop102]
A(100T) --> |Map| B3[hadoop103]
A(100T) --> |Map| B4[hadoop104]
A(100T) --> |Map| B5[... ...]

subgraph 节点
B1[hadoop101]
B2[hadoop102]
B3[hadoop103]
B4[hadoop104]
B5[... ...]
end

B1[hadoop101] --> |Reduce| C[520M]
B2[hadoop102] --> |Reduce| C[520M]
B3[hadoop103] --> |Reduce| C[520M]
B4[hadoop104] --> |Reduce| C[520M]
B5[... ...] --> |Reduce| C[520M]

subgraph 汇总服务器
C(520M)
D2[xxx_hibiscidai.docx]
end

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用于“连续计算”,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。

  • 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。存储键值对。

  • 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。

  • 9)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。

  • 10)Mahout:Apache Mahout是个可扩展的机器学习和数据挖掘库。

  • 11)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。

推荐系统框架图

文章作者: HibisciDai
文章链接: http://hibiscidai.com/2020/07/09/Hadoop基础/
版权声明: 本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 HibisciDai
好用、实惠、稳定的梯子,点击这里