hadoop mapre大数据分析 hadoop大数据分析

大数据

• 大数据（big data） ：
  指无法在一定时间范围内使用常规软件工具进行捕捉、管理和处理的数据集合，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、高增长率和多样化的信息资产
• 大数据特点（4V）：
  Volume 大量
  Velocity 高速
  Variety 多样
  Value 低价值密度

Hadoop

Hadoop 是由 Apache 基金会所开发的 分布式系统基础框架，主要解决海量数据的存储和分析计算问题 ，从更广义上讲，Hadoop 指 Hadoop 生态圈

• Hadoop 有三大发行版本：

1. Apache 版本，入门学习最好
2. Cloudera 在大型互联企业中使用较多
3. Hortonworks 文档较好

• Hadoop 的优势 ：

1. 高可靠性： Hadoop 底层维护多个数据副本，即使 Hadoop 的某个计算元素或者存储出现故障，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，可方便地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，加快了任务的处理速度
4. 高容错性： 能够自动将失败的任务重新分配

Hadoop 组成

HDFS 架构

HDFS（Hadoop Distributed File System）的架构如下图所示，

YARN 架构

MapReduce 架构

MapReduce 将计算过程分为两个阶段：Map 和 Reduce，如图所示，

1. Map 阶段 并行 处理输入数据
2. Reduce 阶段对 Map 结果进行汇总

大数据技术生态体系

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 Hadoop 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
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