一、大数据概论
1）大数据概念
大数据（Big Data）：指无法再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（TB、PB、EB）的存储和海量数据的分析计算。
2）大数据特点（5V）
-
Volume （大量）：数据规模巨大，从TB到PB甚至EB级别。
-
Velocity**（高速）**：数据生成、处理和分析的速度快（如实时流数据）。
-
Variety （多样）：数据类型的多样性（结构化、半结构化、非结构化数据等）。
起源 ：2001年由Gartner分析师Doug Laney首次提出，作为大数据的核心定义
-
Veracity（真实性）：数据的质量和可信度（如噪声、不确定性、数据来源的可靠性）。
背景 ：IBM等企业强调数据质量对分析结果的影响，因此将其纳入核心特征。
- Value （价值）：指的是数据价值密度相对较低，即海量数据中只有少数是有价值的信息
3）大数据部门组织结构
二、从Hadoop框架讨论大数据生态
1）Hadoop是什么？
- Hadoop是由Apache基金会所开发的分布式系统基础架构。
- 从广义上来说，Hadoop指一个更广泛的概念------Hadoop生态圈。
2）Hadoop三大发行版本
Hadoop三大发行版本：Apache、Cloudera、Hortonworkds
Apache版本是最原始、最基础的版本，对入门学习最好。
Xloudera在大型互联网企业中用的较多（收费）。
Hortonworks文档较好。
Apache Hadoop：
官网地址：https://hadoop.apache.org/releases.html
3）Hadoop的优势
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MpaReduce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。
4）Hadoop组成（重点）
在Hadoop1.x中，MapReduce同时处理业务逻辑运算 和资源调度 ，耦合性较大；在Hadoop2.x中，增加了Yarn部分，由Yarn负责资源的调度，降低了耦合性。
HDFS架构概述
1）NameNode（nn）：存储文件的元数据（文件名、文件目录结构文件属性等），以及每个文件的块列表和块所在的DataNode等。
2）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。
3）Secondary NameNode（2nn）：用来监控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
1）**ResourceManager（RM）**主要作用：
（1）处理客户端请求
（2）监控NodeManager
（3）启动或监控ApplicationMaster
（4）资源的分配和调度
2）**NodeManager（NM）**主要作用：
（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
3）**ApplicationMaster（AM）**作用：
（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
4）Container
Container是YARN中的资源抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等。
MapReduce架构概述
MapReduce将计算分为两个阶段：Map阶段 和Reduce阶段
1）Map阶段负责并行处理输入数据
2）Reduce阶段对Map结果进行汇总
5）大数据技术生态体系
