理清大数据技术与架构

        大数据并不是一个系统软件，更不是一个单一的软件，它实际上是一种技术体系、一种数据处理方法，甚至可以说是一个服务平台。在这个技术体系中，涵盖了许多不同的部件，比如Hadoop服务平台。这一服务平台可以根据具体情况自由组合，具体应用需求决定了最终的架构选择,下面我会从大数据应用步骤，大数据技术学习方法，大数据应用工具一一说明。

        1）大数据应用步骤

        宏观来看，大数据应用的步骤可以分为：数据源、数据存储、数据计算、数据分析以及数据应用，如下。

     

 2）大数据技术学习方法

        方法还是离不开以不变应万变，既然是大数据技术，核心就是数据流。

        比如学习Hadoop和Spark，我们可以深入了解它们的原理和工作机制，就好比研究恒星和行星的形成和运行规律。但同时，我们也要明白它们在数据采集、清洗、转换、分析和展示等环节中的作用，就如同了解它们在宇宙中的定位和影响一样。只有全面理解了这些，才能像宇航员一样游刃有余地在数据宇宙中航行，实现完整的数据分析工作流程，为数据探索之旅增添更多的可能性和美妙。

      离线计算示例：
              在离线计算场景下，使用的都是历史数据，也就是不会再发生改变的数据。在数据源确定以后，这些数据不会再增加、也不会再更新，比较适合对实时性要求不高的场景。大多数情况下是周期性的计算某一个指标或执行一个Job，运算耗时基本上可以控制在分钟级。

1. 数据源：数据文件、数据库中的数据等
2. 数据采集：Sqoop、HDFS数据上传、Hive数据导入等
3. 数据存储：HDFS
4. 数据分析：MapReduce、Hive QL
5. 计算结果：Hive结果表（HiveJDBC查询）、导出至关系型数据库

 

3）大数据应用工具

大数据应用工具如下：

 

 一，数据采集工具

示例：flume数据采集框架

Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。它可以采集文件，socket数据包等各种形式源数据，又可以将采集到的数据输出到HDFS、hbase、hive、kafka等众多外部存储系统中。

  二，数据存储工具

示例：hfds数据存储框架

HDFS是Hadoop体系中数据存储管理的基础，通过流式数据访问，提供高吞吐量应用程序数据访问功能，适合带有大型数据集的应用程序，提供一次写入多次读取的机制，数据以块的形式，同时分布在集群不同物理机器上高度容错性的系统，能检测和应对硬件故障，用于在低成本的通用硬件上运行。

运行架构如下：

三，数据计算工具

示例：spark计算框架

        Spark是一个master/slave架构的分布式系统，使用内存计算引擎，提供Cache缓存机制，将RDD缓存到内存或磁盘当中，支持迭代计算和多次数据共享，减少数据读取的IO开销。

spark生态系统+spark运行架构如下：

四，数据分析工具

示例：python数据分析框架

五，任务调度，资源管理工具

示例：yarn资源调度框架

Yarn是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台，而mapreduce等运算程序则相当于运行于操作系统之上的应用程序。

六：大数据平台搭建工具

        国外一些厂商对大数据中的组件进行了封装，提供了一体化的大数据平台，利用它可以快速安装大数据组件。目前业内最常见的是包括CDH、HDP、CDP等。

HDP：全称是 Hortonworks Data Platform。它由 Hortonworks 公司基于 Apache Hadoop 进行了封装，借助于 Ambari 工具提供界面化安装和管理，并且集成了大数据中的常见组件， 可以提供一站式集群管理。HDP 属于开源版免费大数据平台，没有提供商业化服务；

CDH：全称是 Cloudera Distribution Including Apache Hadoop。它由 Cloudera 公司基于 Apache Hadoop 进行了商业化，借助于 Cloudera Manager 工具提供界面化安装和管理，并且集成了大数据中的常见组件，可以提供一站式集群管理。CDH 属于商业化收费大 数据平台，默认可以试用 30 天。之后，如果想继续使用高级功能及商业化服务，则需要付费购买授权，如果只使用基础功能，则可以继续免费使用；

CDP：Cloudera 公司在 2018 年 10 月份收购了 Hortonworks，之后推出了新一代的大数据平台产品 CDP（Cloudera Data Center）。CDP 的版本号延续了之前 CDH 的版本号。从 7.0 版本开始， CDP 支持 Private Cloud（私有云）和 Hybrid Cloud（混合云）。 CDP 将 HDP 和 CDH 中比较优秀的组件进行了整合，并且增加了一些新的组件。

来源1：大数据到底应该如何学？_大数据怎么学-CSDN博客

来源2：一文看懂大数据生态圈完整知识体系【大数据技术及架构图解实战派】_互联网和大数据知识体系图-CSDN博客

详细了解可看《大数据技术及架构图解实战派》一书