1，大数据与gfs，mapreduce，bigtable

 

　　

 

　　大数据被大家广泛认同的起源是google的三篇论文，描述了分布式文件系统gfs，分布式文件处理mapreduce,以及大表bigtable。

 

　　通常来说，我们所说的“大数据”技术，一般指的是hadoop生态圈技术。hadoop的三个核心组件是hdfs,mapreduce,yarn.

 

　　大数据要解决的是什么问题？这是理解大数据的关键，大数据解决的无非就是分布式存储，分布式运算，分布式调度的问题。为了解决这三个问题，hadoop发展了前面所说的三个核心组件。这三个核心组件需要相互对照来看才能正确理解大数据，不能单独拿一个来看。

 

　　

 

　　2，分布式系统CAP理论

 

 

 　　CAP理论不是一个科学结论，是一个经验结论，不同人有不同观点，下面是个人拙见：

　　在分布式系统中存在着一致性，可用性，分区容错性三个问题，在理论派眼中被称之为CAP理论。之所以存在这三个问题，原因就是分布式存储中，数据副本的数据同步需要时间，数据副本间可用状态不一致，存在多个数据副本。

　　数据越准确，请求响应速度越慢，分区容忍性越低。响应越迅速，数据准确性越低，分区容忍性越低。分区容忍性越高，数据越不准确，请求响应速度越慢。

　　CAP理论说明在需要在这三者间进行取舍。

 

 

　　3，hadoop中hash算法的应用

 

 

 

　　hadoop主要是依靠hash算法，将每台机器抽象为hash的一个桶来实现分布式的读写的。同时利用hash算法对数据的标识字段进行取模，抽取并散列数据特征，实现相同特征的数据在reduce阶段在同一台机器上处理。当然，为了防止个别机器负载过高，需要每台机器及时向调度节点namenode报告自己的资源状况，主节点在分配任务时根据资源消耗状况分配任务。除此之外，namenode的内存中上还保留着元数据，当请求来临时能很快的将任务分配给相应节点。

 

 

 

　　4，hbase与LSM树

 

 

 

　　传统的小型机时代RDBMS单表的合并受限于主机内存，单表通常不会太大。在hbase中，单表的容量被大大扩展，主要是通过key值分区可以将单表数据存储到多台主机，同时采用LSM树，在compact阶段可以使用mapreduce对百G级别乃至更大的数据进行合并，使其存储进一个索引结构中。不过，当执行major compact时mapreduce会造成大量网络流量，需要注意。

 

 

 

　　5，hive数据仓库的本质

 

 

 

　　hive是一个被sql脚本化的mapreduce程序。一般来说，没有分组统计的sql相当于没有reduce过程的mapreduce，有分组统计的sql相当于一个完整的mapreduce过程。

 

 

 

　　6，分布式日志flume与流处理storm

 

 

 

　　分布式的日志的管理，是保持数据一致和监控集群运行状况的核心。流处理是分布式内存版的mapreduce，补充了mapreduce。

 

 

 

　　写在文末：理解新技术的核心是对传统技术和对算法的理解，在大数据中最核心的是内存和磁盘的物理特性以及hash算法的应用。