大数据笔记（一）：大数据启蒙与入门知识

大数据启蒙与入门知识

一、前言

博主语录：一文精讲一个知识点，多了你记不住，一句废话都没有

经典语录：那日看雪，你从未看我，我从未看雪

二、千里之行，始于足下

• 启蒙很重要
• 分治思想
• 单机处理大数据问题
• 集群分布式处理大数据的辩证

三、分治思想

需求：

• 我有一万个元素（比如数字或单词）需要存储？
• 如果查找某一个元素，最简单的遍历方式复杂的是多少？
• 如果我期望复杂度是O(4)呢？

学习知识的时候要去搞明白它存在的意义，这样学习成本才会低

分而治之的思想很重要，出现在了很多地方：

• Redis集群
• ElasticSearch
• Hbase
• HADOOP生态无处不在！ 

四、单机处理大数据问题

需求：

• 有一个非常大的文本文件，里面有很多很多的行，只有两行一样，它们出现在未知的位置，需要查找到它们
• 单机，而且可用的内存很少，也就几十兆

解决思路： 

• 假设Io速度是500MB每秒
• 1T文件读取一遍需要约30分钟
• 循环遍历需要N次Io时间
• 分治思想可以使时间为2次io

小贴士：内存寻址比Io寻址快10万倍

思考： 如果让时间变为分钟、秒级别

五、集群分布式处理大数据的辩证

• 2000台真的比一台速度快吗？
• 如果考虑分发上传文件的时间呢？
• 如果考虑每天都有1T数据的产生呢?
• 如果增量了一年，最后一天计算数据呢?

结论

• 分而治之 并行计算
• 计算向数据移动
• 数据本地化读取
• 以上这些点是学习大数据技术时需要关心的重点

六、Hadoop之父Doug Cutting

• Hadoop的发音是 [hædu:p]
• Cutting儿子对玩具小象的昵称
• Nutch Lucene
• Avro
• Hadoop

七、Hadoop的时间简史

• 《The Google File System 》 2003年
• 《MapReduce: Simplified Data Processing on Large Clusters》 2004年
• 《Bigtable: A Distributed Storage System for Structured Data》 2006年
• Hadoop由 Apache Software Foundation 于 2005 年秋天作为Lucene的子项目Nutch的一部分正式引入。
• 2006 年 3 月份，Map/Reduce 和 Nutch Distributed File System (NDFS) 分别被纳入称为 Hadoop 的项目中。
• Cloudera公司在2008年开始提供基于Hadoop的软件和服务。
• 2016年10月hadoop-2.6.5
• 2017年12月hadoop-3.0.0
• hadoop.apache.org

八、Hadoop项目/生态

The project includes these modules:

• Hadoop Common
• Hadoop Distributed File System (HDFS™)
• Hadoop YARN
• Hadoop MapReduce

Other Hadoop-related projects at Apache include:

• Ambari™
• Avro™
• Cassandra™
• Chukwa™
• HBase™
• Hive™
• Mahout™
• Pig™
• Spark™
• Tez™
• ZooKeeper™

九、大数据生态

www.cloudera.com

https://www.cloudera.com/Cloudera’s Distribution Including Apache Hadoop CDH is the most complete,tested, and popular distribution of Apache Hadoop and related projects.

---