目录
一、大数据概论
1.大数据的概念
指无法在一定时间范围内 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。
大数据主要解决海量数据的采集 、存储 和分析计算问题。
顺序存储单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。
1Byte=8bit，1KB=1024Byte，1MB=1024KB......
2.大数据的特点
①Volume（大量）：典型个人计算机硬盘容量为TB量级，一些大型企业可以达到EB量级。
②Velocity（高速）：根据IDC的数字宇宙报告，预计2025年，全球数据使用量可以达到163ZB。
③Variety（多样）：数据可以分为结构化数据和非结构化数据。结构化数据主要以便于存储的数据库/文本为主；非结构化数据包含了网络日志、音频、视频、图片、地理位置信息等多类型数据，对于数据的处理能力具有更高要求。
④Value （低价值密度）：价值密度的高低与数据总量大小成反比。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。
3.大数据应用场景
抖音、电商广告推荐、零售策略、保险（海量数据挖掘及风险预测...）、金融（多维体现用户推荐）、人工智能5G物联网方面等。
二、Hadoop概述
1.Hadoop定义
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生态圈。
2.Hadoop发展历史
①Hadoop创始人Doug Cutting ，为实现Google类似的全文搜索功能，在Lucene框架基础上进行优化升级，查询引擎和索引引擎。
②2001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框架面对与Google同样的困难：存储海量数据困难，检索海量速度慢。
④学习和模仿Google解决这些问题的办法：微型版Nutch。
⑤Google是Hadoop的思想源泉
⑥2003-2004年，Google公开GFs和MapReduce思想细节，Doug Cutting等人使用两年时间实现，使Nutch性能飙升。
⑦Hadoop作为Lucene子项目Nutch一部分正式引入Apache。
⑧2006年Map-Reduce和Nutch Distributed FileSystem纳入Hadoop项目，Hadoop正式诞生。
3.Hadoop发行版本
Apache（2006）、Cloudera（2008）、Hortonworks（2011）。
4.Hadoop优势
①高可靠性：Hadoop底层维护多个数据副本，即使Hadoop某个计算元素或存储出现故障，也不会导致数据丢失。
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结点。可动态增加和删除服务器。
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。可以实现集群工作。
④高容错性：能够自动将失败的任务重新分配。就是在执行过程中，如果遇到任务无法执行，将会把这个失败的任务重新分配到其他服务器，这个被分配的服务器需要具有相关资源。
5.Hadoop1.x/2.x/3.x
①Hadoop1.x组成：
-
MapReduce（计算+资源调度）
-
HDFS（数据存储）
-
Common（辅助工具）
②Hadoop2.x组成：
-
MapReduce（计算）
-
Yarn（资源调度）
-
HDFS（数据存储）
-
Common（辅助工具）
③Hadoop3.x组成：组成上和2.x相同，但是细节方面存在差异。
-
MapReduce（计算）
-
Yarn（资源调度）
-
HDFS（数据存储）
-
Common（辅助工具）
6.HDFS架构
Hadoop Distributed File System简称HDFS，是一个分布式文件系统。
①NameNode（nn）：存储文件的元数据，如文件名、文件目录、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。
②DataNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验和。
③Secondary NameNode（2nn）：每隔一段时间对NameNode元数据备份。
7.Yarn架构
Yet Anothor Resource Negotiator简称YARN，是一种资源协调者，是Hadoop的资源管理器。
①ResourceManage（rm）：整个集群资源（内存、CPU等）的总负责。
②NodeManager（nm）：单个节点服务器资源总和。
③ApplicationMaster（am）：单个任务运行的总和。
④Container：容器，相当于一台独立服务器，里面封装了任务运行所需要的资源，比如内存、CPU、磁盘、网络等。一个Container可以运行1-8g内存。
Tips：客户端可以有多个；集群上可以运行多个ApplicationMaster；每个NodeManager可以有多个Container执行。
过程：client提交作业给ResourceManager，ResourceManager进行节点服务器分配，在ResourceManager中创建Container，在Container里面运行任务。
8.MapReduce架构
MapReduce将计算过程分为两个阶段：Map和Reduce。
-
Map阶段并行处理输入数据
-
Reduce阶段对Map结果进行汇总。
9.大数据技术生态体系
-
数据库（结构化数据）→Sqoop数据传递→HDFS文件传输→Yarn资源管理...
-
文件日志（半结构化数据）→Flume日志收集→HDFS文件传输→HBase非关系型数据库→Yarn资源管理...
-
视频、PPT等（非结构数据）→Kafka消息队列...
