大数据与Hadoop入门理论

一、大数据的3种数据类型

1、结构化数据

可定义，有类型、格式、结构的强制约束
如：RDBMS（关系型数据库管理系统）

2、非结构化数据

没有规律没有数据约束可言，很复杂难以解析
如：文本文件，视频，音频，PDF文件，各种类型文件，图片，邮件等

3、半结构化数据

有一定的格式约束但是不多
如： csv,xml,json,html文件，拥有开标签闭标签规定但是中间内容不确定

二、大数据4V特征

1、Volume 大量性

数据量大，包括采集、存储和计算的量都非常大。

2、Velocity高速性

数据增长速度快，处理速度也快，时效性要求高。比如搜索引擎要求几分钟前的新闻能够被用户查询到，个性化推荐算法尽可能要求实时完成推荐。这是大数据区别于传统数据挖掘的显著特征。

3、Variety 多样性

种类和来源多样化。包括结构化、半结构化和非结构化数据，具体表现为网络日志、音频、视频、图片、地理位置信息等等，多类型的数据对数据的处理能力提出了更高的要求。

4、Veracity 真实性、精准性

数据价值密度相对较低，或者说是浪里淘沙却又弥足珍贵。随着互联网以及物联网的广泛应用，信息感知无处不在，信息海量，但价值密度较低，如何结合业务逻辑并通过强大的机器算法来挖掘数据价值，是大数据时代最需要解决的问题。数据的准确性和可信赖度，即数据的质量。数据不一定完整，有一定缺陷

三、什么是Hadoop?

1、Apache公司用Java开发的一种开源框架

2、可以进行大数据的分布式存储（HDFS）+分布式处理（MapReduce）

3、使用自身电脑资源，进行并行化数据处理，代码处理模式简单

四、Hadoop内部框架

1、Hadoop Common

Hadoop的通用类，Hadoop是基于Java开发的，所以需要一些Java的库和实体类的支持

2、HDFS

HDFS 全称为Hadoop Distribute File System，中文名为Hadoop分布式文件系统, 用于文件的存储

3、MapReduce

MapReduce是分布式处理框架，分为Map和Reduce两部分，用于数据处理

4、YARN

YARN全称为 Yet Another Resource Negotiate，中文名为另一个资源协调者，用于作业管理和资源调度。

五、YARN例子讲解

1、作业管理

比如，班级里需要搬凳子搬桌子擦窗子，班长可以安排1-5号同学搬凳子，安排6-10号同学搬桌子，安排11-15号同学擦窗子。这个班长（Yarn）,安排不同的人（电脑）做不同的事情（作业）

2、资源调度

1-5号同学搬凳子，有男有女，男同学力气大所以每人搬10张，女生力气小所以每人搬2张，6-10号同学搬桌子，有男有女，男同学力气大所以每人搬10张，女生力气小所以每人搬2张，11-15号同学擦窗子，有男有女，男同学体力好所以每人擦3扇，女生体力差所以每人擦1扇，这个过程就是资源调度，班长（Yarn）安排男生（性能好的电脑，空闲的电脑）多干点，安排女生（性能差点的电脑，繁忙的电脑）少干点。

六、Hadoop Cluster （Hadoop集群）

1、Hadoop集群的架构为“主”“从”架构

2、由一台电脑作为主电脑，其他多台电脑作为从电脑相互关联组成

3、主电脑的配置一般比较好性能比较高，从电脑一般是市面上的普通商品电脑，性能普通

4、在Hadoop中后续会将电脑称之为“节点”。

七、Hadoop Cluster Detail（Hadoop集群详解）

1、Hadoop集群的主从架构

主节点叫做NameNode,从节点叫做DataNode

2、从节点用于数据的实际存放

数据存放时会将文件首先进行拆块（split block）,不同的块（block）文件会存放在不同的从节点中，Hadoop1.x版本中，块的默认大小为64MB,Hadoop2.xHadoop3.x中，默认块大小为128MB。

3、主节点用于记录数据，不用于存放数据

主节点中有一个MetaData文件，叫做元数据文件，也被称为记录数据的数据文件，一般记录分块文件信息，块名字信息，块大小信息，块路径信息，等等。

八、Hadoop 历史

1、Hadoop创始人叫Doug Cutting，2006年Hadoop问世
2、Hadoop的图标是他儿子的大象玩具

九、Hadoop 4种安装模式

1、Local runtime mode 单机模式

一般用于测试和debug，无进程

2、Pseudo-distributed operating mode 伪分布模式

一般用于学习，一台机器上有一个主节点一个从节点和其他环境

3、Fully distributed operating mode 全分布模式

多台机器，一台作为主节点，其他作为从节点，完全符合Hadoop集群架构

4、High availability(HA) operating mode 高可用模式

保证Hadoop的一切运行顺利，有两个主节点其中一个是备份