1. 什么是大数据

大数据的简介

指“无法由现有软件工具进行提取、存储、搜索、共享、分析和处理的庞大而复杂的数据集”。
通常由四个 V 来描述（大量数据、多样化、价值密度低、速度快）。

• 大量数据（valume）：从 TB 级别，跃升到 PB 级别
• 多样化（variety）：网络日志、视频、图片、地理位置
• 价值密度低（value）：价值密度与数据总量成反比。
• 速度快（velocity）：大数据区分为传统数据挖掘的显著特征–一秒定律。

从IT过渡到DT

• IT时代：信息处理技术以自我控制和自我管理为主导。
• DT时代：DT（数据技术）时代是一种数据处理技术，它是一种服务于公众并刺激生产力的技术。

2. Hadoop生态系统工具

HADOOP

• Hadoop 是由 Apache Foundation 开发的分布式系统基础结构。
• MapReduce 框架可以将应用程序分解为许多并行计算命令，从而在大量计算节点上运行非常大的数据集，使用“分而治之”的思想，Map 用于分隔大数据，Reduce 用于合并 Map 计算的结果。
• HDFS：分布式文件系统为海量数据和大文件提供存储服务，将大文件（大于 64M/128M）拆分为块（每块 64M或者128M），多节点存放。

HBASE

• HBASE 是 apache 的开源 KV（Key-Value）数据库。它基于 HDFS，为数据库系统提供了可靠性、高性能、列存储、可伸缩性和实时读写功能。
• 它只能通过行键和行键范围来搜索数据。它支持单行事务。主要用于存储非结构化和半结构化的松散数据。

HBASE 的特征：

• 大：一个表可以有上亿行，上百万列
• 面向列：面向列（族）的存储和权限控制，列（族）独立检索
• 稀疏：对于为空（null）的列，并不占用存储空间，因此，表可以设计的非常稀疏

HIVE

• Apache Hive 数据仓库软件提供对存储在分布式中的大型数据集的查询和管理，它本身是建立在 Apache Hadoop 之上。
• 可以对数据进行提取、转化、加载。
• HIVE 可以存储、查询、分析存储在 HDFS（或者HBase）中的大规模数据。
• 通过将 SQL 转化为 MapReduce 作业在 Hadoop 上运行。
• Hive 定义了一种类似 SQL 的查询语言，称为 HQL。

Hive 的缺点：

• Hive 目前不支持事务
• 不能对表数据进行修改（不能更新、删除、插入；只能通过文件追加数据、重新导入数据）
• 查询速度比较慢

STORM

• Apache Storm 是一个免费和开源的分布式实时计算系统，它简化了流数据的可靠处理。
• Storm 具有许多应用场景，包括实时数据分析，在线学习，连续计算，分布式 RPC、ETL 等。
• Storm 速度非常快，并且测试在单个节点上每秒执行一百万个组处理。

ZooKeeper

• ZooKeeper 是一种高性能、分布式、开源的分布式应用程序协调服务。它是 Storm 和 HBase 的重要组成部分。
• ZooKeeper 是一个领导者，负责编写服务于数据同步。

特征：

• 顺序一致性
• 原子性
• 均匀度
• 可靠性
• 及时性

使用场景：

• 数据发布与订阅
• 名称空间服务
• 分布式通知、协调
• 集群管理

Sqoop

• Sqoop 是 Apache 的顶级项目，它允许用户将关系数据库中的数据提取到 Hadoop 中进行进一步处理，获得分析结果后，Sqoop 还可以将分析结果导回数据库，以供其它客户端使用。

MAHOUT

• Mahout 是功能强大的数据挖掘工具和一组分布式机器学习算法，包括分布式协调过滤的实现，分类和聚类。