免费建站自己的网址百度经验首页登录官网
大数据概念
大数据：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、洞察发现李和流程优化能力的海量、高增长率和多样化的信息资产。
大的概念是相对来说的：目前来说，大数据的规模至少10T以上。
目前单台主机一般只能存放1T左右的数据，所以要进行计算首先要进行分布式存储，分开到10台电脑中进行存储。然后后面的计算也必须基于分布式的存储结构来进行分布式运算。
大数据特点
- 大量(Volume)
- 高速(Velocity)
- 多样(Variety)
- 低价值密度(Value)
大数据应用
- 增加用户粘性：进行客户画像，推荐客户喜欢的内容。
- 多臂试探：当用户画像基本完成时，尝试推送其他内容，并重新画像。
- 发现多个事务之间的潜在关联性：比如纸尿布和啤酒。
- 获取商场的流量信息，分析运营情况。
- 保险/金融：挖掘潜在客户，助力保险行业精准营销。
大数据不是用来开发一个独立的软件，而且需要贴合其他软件来叠加使用，助力软件更加智能和贴合用户需求。
业务分析
数据部门搭建数据平台，分析数据指标。分析分为两种，一种是离线数仓分析，一种是实时分析。处理好后的展示环节交给前端处理。
大数据部门组织结构：
- 平台组：搭建Hadoop、Flume、Kafka、HBase平台
- 数据仓库组：ETL数据清洗、数据分析
- 实时组：实时指标分析
- 数据挖掘组：算法工程师、推荐系统工程师、用户画像工程师
- 报表开发组：javaEE工程师 + 前端工程师（非大数据部分）
Hadoop概述
Hadoop是什么
是一个分布式系统架构，Apache基金会所开发的。主要解决海量数据的存储和海量数据的分析计算问题。Hadoop通常指一个更广泛的概念，Hadoop生态圈（Hadoop, Hive, ）
大数据之父：Doug Cutting，开发了Lucene，一个搜索引擎，类似谷歌搜索引擎。为了在对Lucene进行优化升级，提升面对大数据的查询效率，结合谷歌发布的三篇论文，实现了DFS和MapReduce机制，使Nutch搜索引擎性能飙升。之后项目立项更名为Hadoop，从此Hadoop诞生了。
Hadoop三大发行版本
- Apache原始版本
- 国外开发的图形化版本
- 国内的阿里云、腾讯云版本
Hadoop优势
- 高可靠性：有备份
- 高扩展性：可以扩展节点数量
- 高效性：Hadoop是并行运算的
- 高容错性：能够自动将失败的任务重新分配
Hadoop组成
- Hadoop1.x:
- HDFS数据存储
- MapReduce计算+资源调度
- Hadoop2.x/3.x:
- HDFS数据存储
- MapReduce计算
- Yarn资源调度
HDFS架构概述
- NameNode(nn): 存储文件的元数据，如文件名，文件目录结构，文件属性
- DataNode(dn): 存储文件块数据, 以及校验和
- Secondary NameNode(2nn):每隔一段时间对NameNode元数据备份。
YARN架构概述
- 永久节点：
- ResourceManager(RM): 汇总所有资源信息
- NodeManager(NM）: 动态收集当前节点的资源情况
- 任务节点：
- ApplicationMaster(AM): 单个任务运行的管理员
- Container: 容器，相当于一台独立的服务器，里面封装了任务所需要的资源，如内存、CPU、磁盘、网络等，类似一个小虚拟机。
MapReduce架构概述
MapReduce有两个阶段。Map表示细分为子任务，Reduce表示合并计算结果。细分任务的名称为MapTask, 合并任务名称为ReduceTask(规约)。MapReduce这个名称概括了分布式系统进行计算的基本过程。
HDFS、YARN、MapReduce三者关系
大数据技术生态体系
Hadoop搭建
创建模版机
- 最小化安装
- 安装一些必要软件
- 修改ip为静态ip
- 修改主机名和hosts映射文件
- 关闭防火墙
- 创建atguigu用户，配置sudo权限
- 在/opt目录下创建两个子目录
- module安装好的软件
- software安装包
- 修改module和software的所属者和所属组
使用xshell连接查询虚拟机ip地址：
- ip addr命令查看ip地址连接
安装jdk和Hadoop
- 使用ftp将jdk传输到software文件中
- 使用jar -zxfc解压到module文件中
- 配置环境变量
- profile.d目录下声明环境变量
#JAVA_HOME export JAVA_HOME=/opt/module/jdk1.8.0_212 export PATH=$PATH:$JAVA_HOME/bin
shell的补充
- 父子shell项
- 父类定义变量子类不能获取：有办法获取，使用
export 变量名将父类变量传递给子类shell - 子类定义变量父类不能获取：获取不了
- 父类定义变量子类不能获取：有办法获取，使用
- 使用pstree命令可以查看进程之间的父子关系
- shell的三种执行方式
- 开子bash的形式执行，使用子类的shell的环境变量
bash + 脚本文件chmod 777 脚本文件 + ./ 脚本文件
- 在当前bash中执行，使用当前shell的环境变量
. 或者 source 脚本文件
- 一般情况下脚本都是开子shell来执行的，除了环境变量是父shell中运行
- 开子bash的形式执行，使用子类的shell的环境变量