大数据概念+场景+HDFS工作机制（one day）

基本概念

---->数据处理

在互联网技术发展到现今阶段，大量日常、工作等事务产生的数据都已经信息化，人类产生的数据量相比以前有了爆炸式的增长，以前的传统的数据处理技术已经无法胜任，需求催生技术，一套用来处理海量数据的软件工具应运而生，这就是大数据！

处理海量数据的核心技术：

        海量数据存储：分布式

真正的分布式存储：一个文件系统存储文件，这个系统看似有目录，有一个统一的路径，但是这个目录或路径和你本身机器的真实路径又是完全不相关的，你这个路径看起来像一个独立的文件系统，你把东西放进这个文件系统之后，其实你的文件是分散到了很多的机器上，只是用户不知道里面的细节，就像是有个一屏蔽包装的一个软件系统，你针对这个软件系统可以像操作普通文件系统一样操作它，去存读取，但是你操作的这些文件不是在某一台机器上，而是在很多机器上（集群中）

        海量数据运算：分布式

真正的分布式运算：比如一段程度，处理逻辑，分布式的话要运行在很多机器上，同事都在运行，但是这个的复杂度要比单机程序要高很多，因为你的程序逻辑并行运行在很多机器上以后，会有分工，协作等问题，好多机器都在运行，你的数据不是统一的数据，要分工了吧，不然要处理全量的数据，运行多个实例就没必要了，每一个实例处理一部分数据，会引入大量的复杂度。

这些核心技术的实现是不需要用户从零开始的，存储和运算，都已经有大量的成熟的框架来用

        存储框架：（整齐，结构）

HDFS——分布式文件存储系统（HADOOP中的存储框架）    

HBASE——分布式数据库系统

KAFKA——分布式消息缓存系统(实时流式数据处理场景中应用广泛)

 

         运算框架：（要解决的核心问题就是帮用户将处理逻辑在很多机器上并行）

MAPREDUCE—— 离线批处理/HADOOP中的运算框架

SPARK —— 离线批处理/实时流式计算（相当于一个mapReduce的封装）

STORM —— 实时流式计算

离线批处理：数据是静态的，不是数据一边产生一边处理，把某一段时间已经产生好的数据拿来处理，（水桶）

实时流式计算：一边出结果一边处理。（水流）

 

辅助类的工具（解放大数据工程师的一些繁琐工作）：

HIVE —— 数据仓库工具（不是数据库 ）：可以接收sql，翻译成mapreduce或者spark程序运行

FLUME——数据采集

SQOOP——数据迁移

ELASTIC SEARCH —— 分布式的搜索引擎

换个角度说，大数据是：

1. 有海量的数据
2. 有对海量数据进行挖掘的需求
3. 有对海量数据进行挖掘的软件工具（hadoop、spark、storm、flink、tez、impala......）

大数据在现实生活中的具体应用

数据处理的最典型应用：公司的产品运营情况分析

电商推荐系统：基于海量的浏览行为、购物行为数据，进行大量的算法模型的运算，得出各类推荐结论，以供电商网站页面来为用户进行商品推荐

精准广告推送系统：基于海量的互联网用户的各类数据，统计分析，进行用户画像（得到用户的各种属性标签），然后可以为广告主进行有针对性的精准的广告投放

 

什么是hadoop

hadoop中有3个核心组件：

分布式文件系统：HDFS —— 实现将文件分布式存储在很多的服务器上

分布式运算编程框架：MAPREDUCE —— 实现在很多机器上分布式并行运算

分布式资源调度平台：YARN —— 帮用户调度大量的mapreduce程序，并合理分配运算资源

 

hdfs整体运行机制

hdfs：分布式文件系统

hdfs有着文件系统共同的特征：

1. 有目录结构，顶层目录是：  /
2. 系统中存放的就是文件
3. 系统可以提供对文件的：创建、删除、修改、查看、移动等功能

hdfs跟普通的单机文件系统有区别：

1. 单机文件系统中存放的文件，是在一台机器的操作系统中
2. hdfs的文件系统会横跨N多的机器
3. 单机文件系统中存放的文件，是在一台机器的磁盘上
4. hdfs文件系统中存放的文件，是落在n多机器的本地单机文件系统中（hdfs是一个基于linux本地文件系统之上的文件系统）

 

hdfs的工作机制：

1. 客户把一个文件存入hdfs，其实hdfs会把这个文件切块后，分散存储在N台linux机器系统中（负责存储文件块的角色：data node）<准确来说：切块的行为是由客户端决定的>
2. 一旦文件被切块存储，那么，hdfs中就必须有一个机制，来记录用户的每一个文件的切块信息，及每一块的具体存储机器（负责记录块信息的角色是：name node）

     3、为了保证数据的安全性，hdfs可以将每一个文件块在集群中存放多个副本（到底存几个副本，是由当时存入该文件的客户端指定的）

综述：一个hdfs系统，由一台运行了namenode的服务器，和N台运行了datanode的服务器组成！