十分钟走进大数据世界

大数据的概念

大数据（big data），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：海量数据存储和海量数据的分析计算问题

大数据的特点

大数据特性，谨记四字箴言：「大、快、杂、疑」

1、Volume（大）

资料量非常大，以前人们「手动」在表格中记录、累积出数据;现在数据是由机器、网路、人与人之间的社群互动来生成。你现在正在点击的滑鼠、来电、简讯、网路搜寻、线上交易… 都正在生成累积成庞大的数据。截止目前人类生产的所有印刷材料是200PB(Peta Bytes，千兆位元组)，历史上人类总共说过的话数据量约5EB(Exabytes，百万兆位元组)。

2、Velocity（快）

响应的时效性至关重要，据IDC“数字宇宙”报告，预计到2020年，全球数据使用量将达到35.2ZB(Zetta Bytes,十万亿亿字节),如此海量数据，处理效率至关重要。

3、Variety（杂）

大数据的来源种类包罗万象，十分多样化，如果一定要把资料分类的话，最简单的方法是分两类，结构化与非结构化。早期的非结构化资料主要是文字，随着网路的发展，又扩展到电子邮件、网页、社交媒体、视讯，音乐、图片等等，这些非结构化的资料造成储存(storage)、探勘(mining)、分析(analyzing)上的困难。

4、Value（疑）

价值密度的高低与数据总量的大小成反比。以视频为例，一部1小时的视频，在连续不间断的监控中，有用数据可能仅有一二秒。如何通过强大的机器算法更迅速地完成数据的价值“提纯”成为目前大数据背景下亟待解决的难题。

大数据能干啥？

例1： o2o–百度大数据平台，通过先进的线上线下打通技术和客流分析能力，助力商家精细化运营，提升销量。

例2: 美国折扣零售商能够通过用户购买商品的历史，判断出是否怀孕。例3: 日本通过研究驾驶员的坐姿数据，用来作为汽车防盗系统中。

例4: 电子商务领域–购物行为与销量预测分析；商品关联分析；全网产品信息采集，产品素材获取；通过分析产品价格和销量，指导新品上架策略；云评论系统的搭建和维护；电子商务渠道分销。

例5: 金融领域–金融行业的主要业务应用包括企业内外部的风险管理、信用评估、借贷、保险、理财、证券分析等，都可以通过获取、关联和分析更多维度、更深层次的数据，并通过不断发展的大数据处理技术得以更好、更快、更准确的实现，从而使得原来不可担保的信贷可以担保，不可保险的风险可以保险，不可预测的证券行情可以预测。

例6: 电信领域–采集基站等硬件设备的数据，分析设备负荷状况，生成设备的扩容、优化、质量排查、扩建等建议，达到均衡网络流量的目的；分析用户的话单数据，界定用户属性，分析手机终端的特征，从而形成套餐推荐、终端推荐等决策；根据用户使用的app软件、访问的网页进行更为全面的用户行为分析、用户喜好分析；采集微博等社交网络数据，了解用户对运营商的评价和意见，舆情分析。

例7: 新闻媒体–快速准确地自动跟踪、采集数千家网络媒体信息，扩大新闻线索，提高采集速度；支持每天对数万条新闻进行有效抓取。监控范围的深度、广度可以自行设定；支持对所需内容的智能提取、审核；实现互联网信息内容采集、浏览、编辑、管理、发布的一体化。

例8: 政府机关–大数据必将成为宏观调控、国家治理、社会管理的信息基础。实时跟踪、采集与业务工作相关的信息；全面满足内部工作人员对互联网信息的全局观测需求；及时解决政务外网、政务内网的信息源问题，实现动态发布；快速解决政府主网站对各地级子网站的信息获取需求；全面整合信息，实现政府内部跨地区、跨部门的信息资源共享与有效沟通；节约信息采集的人力、物力、时间，提高办公效率。

例9: 企业制造–实时准确地监控、追踪竞争对手动态，是企业获取竞争情报的利器；及时获取竞争对手的公开信息以便研究同行业的发展与市场需求；为企业决策部门和管理层提供便捷、多途径的企业战略决策工具；大幅度地提高企业获取、利用情报的效率，节省情报信息收集、存储、挖掘的相关费用，是提高企业核心竞争力的关键；提高企业整体分析研究能力、市场快速反应能力，建立起以知识管理为核心的“竞争情报数据仓库”，提高核心竞争力。

大数据前景

1、国际数据公司IDC预测，到2020年，企业基于大数据计算分析平台的指出将突破5000亿美元。目前，我国大数据人才只有46万，未来3到5年人才缺口达到150万之多。

2、2017年北京大学，北京邮电大学等25所高校成功申请开设大数据课程。

3、大数据属于高新技术，大牛少，升职竞争小；

大数据技术生态体系

总共分为六层：数据来源层–>数据来源层–>数据存储层–>资源管理层–>数据计算层–>任务调度层具体如下图：

下面我们来讲一下上面的架构图：首先我们第一步当然是获取数据【数据来源层】，包括（结构化，半结构化，非架构话数据），然后我们需要去接收数据【数据来源层】。不同的数据类型有不同的接收工具：

Sqoop(发音：skup)主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql…)间进行数据的传递，可以将一个关系型数据库（例如： MySQL ,Oracle ,Postgres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。
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。

接收过后，当然是存储起来，可以存储在HDFS上也可以存储在Hbase。Hbase是按列存储，检索起来特别快。Hadoop HDFS为HBase提供了高可靠性的底层存储支持。

Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。它和现有的分布式文件系统有很多共同点。但同时，它和其他的分布式文件系统的区别也是很明显的。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。HDFS放宽了一部分POSIX约束，来实现流式读取文件系统数据的目的。HDFS在最开始是作为Apache Nutch搜索引擎项目的基础架构而开发的。HDFS是Apache Hadoop Core项目的一部分。
HBase是一个分布式的、面向列的开源数据库，该技术来源于 Fay Chang 所撰写的Google论文“Bigtable：一个结构化数据的分布式存储系统”。就像Bigtable利用了Google文件系统（File System）所提供的分布式数据存储一样，HBase在Hadoop之上提供了类似于Bigtable的能力。HBase是Apache的Hadoop项目的子项目。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。另一个不同的是HBase基于列的而不是基于行的模式。

数据存储完毕，到了我们YARN资源管理层，YARN资源管理层相当于我们电脑的操作系统，调度这些资源，HDFS相当于磁盘。

Apache Hadoop YARN （Yet Another Resource Negotiator，另一种资源协调者）是一种新的 Hadoop 资源管理器，它是一个通用资源管理系统，可为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。

再往上到了我们数据计算层，

从图中可以看出左侧是处理离线的数据，右侧是处理实时数据。离线又分为两类： MapReduce是基于磁盘计算，Spark Core是基于内存计算。 MapReduce断电后数据还在，Spark Core断电后数据不存在。 Spark Core比MapReduce速度快。

MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念”Map（映射）”和”Reduce（归约）”，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

到最后一步就是调度层，说白了就是安排什么时间做什么事。

azkaban主要是应用于hadoop生态圈的任务调度的。我们在实际使用过程中，也主要是用来做hadoop相关任务的调度，其他任务的调度暂时还没有进行相关实践。
ozie是管理Hadoop作业的工作流调度系统，工作流是一系列的操作图。Oozie协调作业是通过时间（频率）以及有效数据触发当前的Oozie工作流程。Oozie是针对Hadoop开发的开源工作流引擎，专门针对大规模复杂工作流程和数据管道设计。