| 组件 | 说明 |
| — | :-- |
| HDFS | 分布式文件系统 |
| MAPREDUCE | 分布式运算程序开发框架 |
| HIVE | 基于大数据技术(文件系统+运算框架)的SQL数据仓库工具 |
| HBASE | 基于HADOOP的分布式海量数据库 |
| ZOOKEEPER | 分布式协调服务基础组件 |
【一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义】
浏览器打开:qq.cn.hn/FTf 免费领取
| Mahout | 基于mapreduce/spark/flink等分布式运算框架的机器学习算法库 |
| Oozie | 工作流调度框架 |
| Sqoop | 数据导入导出工具 |
| Flume | 日志数据采集框架 |
=========================================================================
-
HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎,包括网页抓取、索引、查询等功能,但随着抓取网页数量的增加,遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。
-
2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。
分布式文件系统(GFS),可用于处理海量网页的存储
分布式计算框架MAPREDUCE,可用于处理海量网页的索引计算问题。
bigTable
- Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE,并从Nutch中剥离成为独立项目HADOOP,到2008年1月,HADOOP成为Apache*项目,迎来了它的快速发展期。
========================================================================
新浪数据应用平台 https://www.yqt365.com/goToNewGeneralizeMain.action?searchFrom=0&fromChannel=20
大数据的意义及应用
不在于掌握庞大的数据信息
而在于对这些含有意义的数据进行专业化处理为决策提供依据
大数据涉及领域
=====================================================================
分布式软件系统(Distributed Software Systems),该软件系统会划分成多个子系统或模块,各自运行在不同的机器上,子系统或模块之间通过网络通信进行协作,实现最终的整体功能,比如分布式操作系统、分布式程序设计语言及其编译(解释)系统、分布式文件系统和分布式数据库系统等。
======================================================================
流程图解析
本案例跟典型的BI系统极其类似,整体流程如下
由于本案例的前提是处理海量数据,因而,流程中各环节所使用的技术则跟传统BI完全不同
-
数据采集:定制开发采集程序,或使用开源框架FLUME
-
数据预处理:定制开发mapreduce程序运行于hadoop集群
-
数据仓库技术:基于hadoop之上的Hive
-
数据导出:基于hadoop的sqoop数据导入导出工具