大数据学习笔记

大数据概念

大数据：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。
主要解决，海量数据的存储和海量数据的分析计算问题。

4V：大量、高速（实时性要求高）、多样（数据类型多样）、低价值密度

数据类型：

• 结构化数据：以数据库/文本为主的结构化数据
• 非结构化数据：音频、图片、视频、地理位置信息
• 半结构化数据：html、json

大数据应用：物流仓库、零售、旅游、商品广告推荐、保险、金融、人工智能

大数据部门业务流程分析：
产品人员提需求 --> 数据部门搭建数据平台、分析数据指标 --> 数据可视化

大数据部门组织结构：

Hadoop概念

Hadoop：

1. hadoop是一个有Apache基金会所开发的分布式系统基础框架。
2. 主要解决，海量数据的存储和海量数据的分析计算问题
3. 广义上来说，hadoop通常是指一个更广泛的概念——hadoop生态圈

Hadoop三大发行版本：Apache、Cloudera、Hortonworks

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：

• 组成不一样
  
  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分布式系统架构）：

1. 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。（管理数据存放在哪里，相当于目录）
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。（真正存数据的）
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

主要作用是做资源调度。

1. ResourceManger（RM）
   1）处理客户端请求
   2）监控NodeMangaer
   3）启动或监控ApplicationMaster
   4）资源分配与调度
2. NodeManager（NM）
   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）
   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将计算过程分为两个阶段：Map和Reduce

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

数据来源层 --> 数据传输层 --> 数据存储层 --> 资源管理层 --> 数据计算层 --> 任务调度层 --> 业务模型层
（数据平台配置和调度Zookeeper）

推荐系统项目框架图

用户请求–>Nginx做负载均衡 --> 发送到Tomcat 收集访问日志 --> 通过flume进行日志收集 --> 存储到HDFS或者HBase --> Storm 实时计算 /Flink 计算/Spark --> 分析结果存储到数据库/文件 --> Tomcat 推荐业务

hadoop运行模式

1. 本地运行模式
2. 伪分布式模式
3. 完全分布式运行模式