旗下產(chǎn)業(yè): A產(chǎn)業(yè)/?A實(shí)習(xí)/?A計(jì)劃
全國(guó)統(tǒng)一咨詢熱線:010-5367 2995
首頁(yè) > 熱門(mén)文章 > 大數(shù)據(jù)分析 > 什么是大數(shù)據(jù)分析Hadoop

什么是大數(shù)據(jù)分析Hadoop

時(shí)間:2020-01-13來(lái)源:m.5wd995.cn點(diǎn)擊量:作者:Sissi
時(shí)間:2020-01-13點(diǎn)擊量:作者:Sissi



  要了解什么是Hadoop,我們必須首先了解與大數(shù)據(jù)和傳統(tǒng)處理系統(tǒng)有關(guān)的問(wèn)題。前進(jìn),我們將討論什么是Hadoop,以及Hadoop如何解決與大數(shù)據(jù)相關(guān)的問(wèn)題。我們還將研究CERN案例研究,以突出使用Hadoop的好處。
 

  在之前的博客“ 大數(shù)據(jù)教程”中,我們已經(jīng)詳細(xì)討論了大數(shù)據(jù)以及大數(shù)據(jù)的挑戰(zhàn)。在此博客中,我們將討論:
 

  1、傳統(tǒng)方法的問(wèn)題

  2、Hadoop的演變

  3、Hadoop的

  4、Hadoop即用解決方案

  5、何時(shí)使用Hadoop?

  6、什么時(shí)候不使用Hadoop?
 

一、CERN案例研究
 

  大數(shù)據(jù)正在成為組織的機(jī)會(huì)?,F(xiàn)在,組織已經(jīng)意識(shí)到他們可以通過(guò)大數(shù)據(jù)分析獲得很多好處,如下圖所示。他們正在檢查大型數(shù)據(jù)集,以發(fā)現(xiàn)所有隱藏的模式,未知的相關(guān)性,市場(chǎng)趨勢(shì),客戶偏好和其他有用的業(yè)務(wù)信息。
 

  這些分析結(jié)果正在幫助組織進(jìn)行更有效的營(yíng)銷(xiāo),新的收入機(jī)會(huì),更好的客戶服務(wù)。他們正在提高運(yùn)營(yíng)效率,與競(jìng)爭(zhēng)對(duì)手組織相比的競(jìng)爭(zhēng)優(yōu)勢(shì)以及其他業(yè)務(wù)利益。
 

Hadoop  
什么是Hadoop –大數(shù)據(jù)分析的好處
 

  因此,讓我們繼續(xù)前進(jìn),了解在兌現(xiàn)大數(shù)據(jù)機(jī)會(huì)方面與傳統(tǒng)方法相關(guān)的問(wèn)題。
 

二、傳統(tǒng)方法的問(wèn)題
 

  在傳統(tǒng)方法中,主要問(wèn)題是處理數(shù)據(jù)的異構(gòu)性,即結(jié)構(gòu)化,半結(jié)構(gòu)化和非結(jié)構(gòu)化。RDBMS主要關(guān)注于銀行交易,運(yùn)營(yíng)數(shù)據(jù)等結(jié)構(gòu)化數(shù)據(jù),而Hadoop則專(zhuān)注于文本,視頻,音頻,F(xiàn)acebook帖子,日志等半結(jié)構(gòu)化,非結(jié)構(gòu)化數(shù)據(jù)。RDBMS技術(shù)是一種經(jīng)過(guò)驗(yàn)證的,高度一致,成熟的系統(tǒng)許多公司的支持。另一方面,由于大數(shù)據(jù)(主要由不同格式的非結(jié)構(gòu)化數(shù)據(jù)組成)對(duì)Hadoop提出了需求。
 

  現(xiàn)在讓我們了解與大數(shù)據(jù)相關(guān)的主要問(wèn)題是什么。因此,繼續(xù)前進(jìn),我們可以了解Hadoop是如何成為解決方案的。
 

Hadoop  
什么是Hadoop –大數(shù)據(jù)問(wèn)題

  第一個(gè)問(wèn)題是存儲(chǔ)大量數(shù)據(jù)。
 

  無(wú)法在傳統(tǒng)系統(tǒng)中存儲(chǔ)大量數(shù)據(jù)。原因很明顯,存儲(chǔ)將僅限于一個(gè)系統(tǒng),并且數(shù)據(jù)正在以驚人的速度增長(zhǎng)。
 

  第二個(gè)問(wèn)題是存儲(chǔ)異構(gòu)數(shù)據(jù)。
 

  現(xiàn)在,我們知道存儲(chǔ)是一個(gè)問(wèn)題,但是讓我告訴您,這只是問(wèn)題的一部分。由于我們討論了數(shù)據(jù)不僅龐大,而且還以各種格式存在,例如:非結(jié)構(gòu)化,半結(jié)構(gòu)化和結(jié)構(gòu)化。因此,您需要確保您擁有一個(gè)系統(tǒng)來(lái)存儲(chǔ)從各種來(lái)源生成的所有這些種類(lèi)的數(shù)據(jù)。
 

  第三個(gè)問(wèn)題是訪問(wèn)和處理速度。
 

  硬盤(pán)容量正在增加,但磁盤(pán)傳輸速度或訪問(wèn)速度并未以相似的速度增加。讓我以一個(gè)示例為您進(jìn)行解釋?zhuān)喝绻挥幸粋€(gè)100 Mbps I / O通道,并且正在處理1TB數(shù)據(jù),則大約需要2.91個(gè)小時(shí)?,F(xiàn)在,如果您有四臺(tái)具有一個(gè)I / O通道的計(jì)算機(jī),則對(duì)于相同數(shù)量的數(shù)據(jù),大約需要43分鐘。因此,與存儲(chǔ)大數(shù)據(jù)相比,訪問(wèn)和處理速度是更大的問(wèn)題。
 

  在了解什么是Hadoop之前,讓我們首先了解一下Hadoop在一段時(shí)間內(nèi)的發(fā)展。
 

  Hadoop的演變


Hadoop
 

  2003年,道格·切特(Doug Cutting)啟動(dòng)了Nutch項(xiàng)目,以處理數(shù)十億次搜索并為數(shù)百萬(wàn)個(gè)網(wǎng)頁(yè)建立索引。2003年10月下旬– Google發(fā)布帶有GFS(Google文件系統(tǒng))的論文。2004年12月,Google發(fā)布了MapReduce論文。在2005年,Nutch使用GFS和MapReduce進(jìn)行操作。2006年,雅虎與Doug Cutting及其團(tuán)隊(duì)合作,基于GFS和MapReduce創(chuàng)建了Hadoop。如果我告訴您,您會(huì)感到驚訝,雅虎于2007年開(kāi)始在1000個(gè)節(jié)點(diǎn)的群集上使用Hadoop。
 

  2008年1月下旬,雅虎向Apache Software Foundation發(fā)布了Hadoop作為一個(gè)開(kāi)源項(xiàng)目。2008年7月,Apache通過(guò)Hadoop成功測(cè)試了4000個(gè)節(jié)點(diǎn)的集群。2009年,Hadoop在不到17小時(shí)的時(shí)間內(nèi)成功整理了PB級(jí)數(shù)據(jù),以處理數(shù)十億次搜索并為數(shù)百萬(wàn)個(gè)網(wǎng)頁(yè)建立索引。在2011年12月,Apache Hadoop發(fā)布了1.0版。2013年8月下旬,發(fā)布了2.0.6版。
 

  當(dāng)我們討論這些問(wèn)題時(shí),我們發(fā)現(xiàn)分布式系統(tǒng)可以作為解決方案,而Hadoop提供了相同的解決方案?,F(xiàn)在,讓我們了解什么是Hadoop。
 

三、什么是Hadoop?
 

  Hadoop是一個(gè)框架,它允許您首先在分布式環(huán)境中存儲(chǔ)大數(shù)據(jù),以便可以并行處理它。 Hadoop中基本上有兩個(gè)組件:
 

  1、大數(shù)據(jù)Hadoop認(rèn)證培訓(xùn)

  2、講師指導(dǎo)的課程現(xiàn)實(shí)生活中的案例研究評(píng)估終身訪問(wèn)探索課程

Hadoop  
什么是Hadoop – Hadoop框架

  第一個(gè)是用于存儲(chǔ)的HDFS(Hadoop分布式文件系統(tǒng)),它使您可以在集群中存儲(chǔ)各種格式的數(shù)據(jù)。第二個(gè)是YARN,用于Hadoop中的資源管理。它允許對(duì)數(shù)據(jù)進(jìn)行并行處理,即跨HDFS存儲(chǔ)。
 

  讓我們首先了解HDFS。
 

  HDFS
 

  HDFS創(chuàng)建一個(gè)抽象,讓我為您簡(jiǎn)化一下。與虛擬化類(lèi)似,您可以在邏輯上將HDFS視為用于存儲(chǔ)大數(shù)據(jù)的單個(gè)單元,但是實(shí)際上您是在分布式方式下跨多個(gè)節(jié)點(diǎn)存儲(chǔ)數(shù)據(jù)。HDFS遵循主從架構(gòu)。
 

Hadoop  
什么是Hadoop – HDFS
 

  在HDFS中,名稱(chēng)節(jié)點(diǎn)是主節(jié)點(diǎn),數(shù)據(jù)節(jié)點(diǎn)是從節(jié)點(diǎn)。 Namenode包含有關(guān)存儲(chǔ)在Data節(jié)點(diǎn)中的數(shù)據(jù)的元數(shù)據(jù),例如哪個(gè)數(shù)據(jù)塊存儲(chǔ)在哪個(gè)數(shù)據(jù)節(jié)點(diǎn)中,數(shù)據(jù)塊的復(fù)制位置在哪里等 。實(shí)際數(shù)據(jù)存儲(chǔ)在Data Nodes中。
 

  我還想補(bǔ)充一下,實(shí)際上我們復(fù)制了數(shù)據(jù)節(jié)點(diǎn)中存在的數(shù)據(jù)塊,默認(rèn)復(fù)制因子是3。 由于我們使用的是商用硬件,并且我們知道這些硬件的故障率很高,所以如果其中一個(gè)DataNodes失敗,HDFS將仍然具有那些丟失的數(shù)據(jù)塊的副本。 您還可以根據(jù)需要配置復(fù)制因子。您可以閱讀HDFS教程,詳細(xì)了解HDFS。
 

四、Hadoop即解決方案
 

  讓我們了解Hadoop如何為剛剛討論的大數(shù)據(jù)問(wèn)題提供解決方案。
 

  Hadoop
什么是Hadoop – Hadoop即解決方案
 

  第一個(gè)問(wèn)題是存儲(chǔ)大數(shù)據(jù)。
 

  HDFS提供了一種分布式大數(shù)據(jù)存儲(chǔ)方式。您的數(shù)據(jù)存儲(chǔ)在整個(gè)DataNode的塊中,您可以指定塊的大小。基本上,如果您擁有512MB的數(shù)據(jù),并且已經(jīng)配置了HDFS,那么它將創(chuàng)建128MB的數(shù)據(jù)塊。 因此,HDFS將數(shù)據(jù)分為512/128 = 4的4個(gè)塊,并將其存儲(chǔ)在不同的DataNode上,還將在不同的DataNode上復(fù)制數(shù)據(jù)塊?,F(xiàn)在,由于我們正在使用商品硬件,因此存儲(chǔ)已不是難題。
 

  它還解決了縮放問(wèn)題。它著重于水平縮放而不是垂直縮放。您始終可以根據(jù)需要隨時(shí)在HDFS群集中添加一些額外的數(shù)據(jù)節(jié)點(diǎn),而不是擴(kuò)展DataNodes的資源。讓我為您總結(jié)一下,基本上是用于存儲(chǔ)1 TB的數(shù)據(jù),您不需要1 TB的系統(tǒng)。您可以在多個(gè)128GB或更少的系統(tǒng)上執(zhí)行此操作。
 

  下一個(gè)問(wèn)題是存儲(chǔ)各種數(shù)據(jù)。
 

  借助HDFS,您可以存儲(chǔ)各種數(shù)據(jù),無(wú)論是結(jié)構(gòu)化,半結(jié)構(gòu)化還是非結(jié)構(gòu)化。由于在HDFS中,沒(méi)有預(yù)轉(zhuǎn)儲(chǔ)模式驗(yàn)證。并且它也遵循一次寫(xiě)入和多次讀取模型。因此,您只需寫(xiě)入一次數(shù)據(jù),就可以多次讀取數(shù)據(jù)以尋找見(jiàn)解。
 

  Hird的挑戰(zhàn)是訪問(wèn)和處理數(shù)據(jù)更快。
 

  是的,這是大數(shù)據(jù)的主要挑戰(zhàn)之一。為了解決該問(wèn)題,我們將處理移至數(shù)據(jù),而不是將數(shù)據(jù)移至處理。這是什么意思?而不是將數(shù)據(jù)移動(dòng)到主節(jié)點(diǎn)然后進(jìn)行處理。在MapReduce中,處理邏輯被發(fā)送到各個(gè)從屬節(jié)點(diǎn),然后在不同的從屬節(jié)點(diǎn)之間并行處理數(shù)據(jù)。然后,將處理后的結(jié)果發(fā)送到主節(jié)點(diǎn),在該主節(jié)點(diǎn)上合并結(jié)果,并將響應(yīng)發(fā)送回客戶端。
 

  在YARN架構(gòu)中,我們有ResourceManager和NodeManager。ResourceManager可能會(huì)或可能不會(huì)與NameNode配置在同一臺(tái)機(jī)器上。 但是,應(yīng)該將NodeManager配置在存在DataNode的同一臺(tái)計(jì)算機(jī)上。
 

  YARN通過(guò)分配資源和安排任務(wù)來(lái)執(zhí)行您的所有處理活動(dòng)。

Hadoop

  什么是Hadoop – YARN
 

  它具有兩個(gè)主要組件,即ResourceManager和NodeManager。
 

  ResourceManager再次是主節(jié)點(diǎn)。它接收處理請(qǐng)求,然后將請(qǐng)求的各個(gè)部分相應(yīng)地傳遞到相應(yīng)的NodeManager,在此進(jìn)行實(shí)際處理。NodeManager安裝在每個(gè)DataNode上。它負(fù)責(zé)在每個(gè)單個(gè)DataNode上執(zhí)行任務(wù)。
 

  我希望現(xiàn)在您對(duì)什么是Hadoop及其主要組件有所了解。讓我們繼續(xù)前進(jìn),了解何時(shí)使用和何時(shí)不使用Hadoop。
 

  何時(shí)使用Hadoop?
 

  Hadoop用于:

  1、搜索 – Yahoo,亞馬遜,Zvents

  2、日志處理 – Facebook,雅虎

  3、數(shù)據(jù)倉(cāng)庫(kù) – Facebook,AOL

  4、視頻和圖像分析 –紐約時(shí)報(bào),Eyealike
 

  到目前為止,我們已經(jīng)看到了Hadoop如何使大數(shù)據(jù)處理成為可能。但是在某些情況下,不建議使用Hadoop。
 

  什么時(shí)候不使用Hadoop?
 

  以下是其中一些方案:

  1、低延遲數(shù)據(jù)訪問(wèn):快速訪問(wèn)少量數(shù)據(jù)

  2、多種數(shù)據(jù)修改:僅當(dāng)我們主要關(guān)注讀取數(shù)據(jù)而不修改數(shù)據(jù)時(shí),Hadoop才是更好的選擇。

  3、大量小文件:Hadoop適用于只有少量大文件的情況。
 

  在了解了最合適的用例之后,讓我們繼續(xù)研究Hadoop創(chuàng)造奇跡的案例研究。
 

  Hadoop-CERN案例研究
 

  瑞士的大型強(qiáng)子對(duì)撞機(jī)是世界上最大,功能最強(qiáng)大的機(jī)器之一。它配備了約1.5億個(gè)傳感器,每秒產(chǎn)生PB的數(shù)據(jù),并且數(shù)據(jù)在不斷增長(zhǎng)。
 

  歐洲核子研究組織(CERN)的研究表明,這些數(shù)據(jù)在數(shù)量和復(fù)雜性方面一直在擴(kuò)大,其中一項(xiàng)重要任務(wù)是滿足這些可擴(kuò)展的需求。因此,他們?cè)O(shè)置了Hadoop集群。通過(guò)使用Hadoop,他們限制了硬件成本和維護(hù)復(fù)雜性。
 

  他們整合了Oracle和Hadoop,并獲得了整合的優(yōu)勢(shì)。 Oracle優(yōu)化了他們的在線交易系統(tǒng)和Hadoop,為他們提供了可擴(kuò)展的分布式數(shù)據(jù)處理平臺(tái)。他們?cè)O(shè)計(jì)了一個(gè)混合系統(tǒng),首先將數(shù)據(jù)從Oracle遷移到Hadoop。然后,他們使用Oracle API對(duì)來(lái)自O(shè)racle的Hadoop數(shù)據(jù)執(zhí)行查詢。他們還使用諸如 Avro& Parquet之類(lèi)的Hadoop數(shù)據(jù)格式進(jìn)行高性能分析,而無(wú)需更改連接到Oracle的最終用戶應(yīng)用程序。
 

  他們?cè)贑ERN-IT Hadoop服務(wù)上使用的主要Hadoop組件:
 

  1、您可以在Hadoop生態(tài)系統(tǒng)中了解每個(gè)工具。

  2、集成Oracle和Hadoop的技術(shù):

  3、將數(shù)據(jù)從Oracle導(dǎo)出到HDFS

  4、Sqoop在大多數(shù)情況下都足夠好,他們還采用了其他一些可能的選項(xiàng),例如自定義提取,Oracle DataPump,流式傳輸?shù)取?br />  

  從Oracle查詢Hadoop
 

  他們使用Oracle中的數(shù)據(jù)庫(kù)鏈接訪問(wèn)了Hadoop引擎中的表。通過(guò)透明地組合Oracle和Hadoop中的數(shù)據(jù),還可以構(gòu)建混合視圖。
 

  使用Hadoop框架處理Oracle數(shù)據(jù)庫(kù)中的數(shù)據(jù)
 

  他們使用Hadoop引擎(例如Impala,Spark)來(lái)處理從Oracle導(dǎo)出的數(shù)據(jù),然后直接在JDBC中從Spark SQL在RDBMS中讀取該數(shù)據(jù)。


1個(gè)
2
3
create database link my_hadoop using 'impala-gateway';
 
select * from big_table@my_hadoop where col1= :val1;



  從Oracle卸載到Hadoop

  步驟1:將數(shù)據(jù)卸載到Hadoop

  步驟2:將查詢卸載到Hadoop

  步驟3:從Oracle查詢?cè)L問(wèn)Hadoop

  使用數(shù)據(jù)庫(kù)鏈接從Oracle查詢Apache Hive / Impala表

  通過(guò)ODBC網(wǎng)關(guān)將查詢分載到Impala(或Hive)

  在oracle上創(chuàng)建混合視圖的示例

hadoop

  根據(jù)CERN的案例研究,我們可以得出以下結(jié)論:
 

1個(gè)
2
3
4
5
6
7
create view hybrid_view as
 
          select * from online_table where date > '2016-10-01'
 
          union all
 
          select * from archive_table@hadoop where date <= '2016-10-01'

 

  1、Hadoop具有可伸縮性,非常適合大數(shù)據(jù)分析

  2、Oracle已證明可用于并發(fā)事務(wù)性工作負(fù)載

  3、解決方案可用于集成Oracle和Hadoop

  4、使用混合系統(tǒng)(Oracle + Hadoop)具有巨大的價(jià)值:

  5、適用于舊版應(yīng)用程序和OLTP工作負(fù)載的Oracle API

  6、用于分析工作負(fù)載的商品硬件的可伸縮性
 

  我希望這個(gè)博客能為您提供豐富的信息,并為您的知識(shí)增加價(jià)值。在我們的Hadoop教程系列的下一個(gè)博客(即Hadoop教程)中,我們將更詳細(xì)地討論Hadoop,并詳細(xì)了解HDFS和YARN組件的任務(wù)。
 

  既然您已經(jīng)了解了什么是Hadoop,請(qǐng)查看Edureka 的Hadoop培訓(xùn),Edureka是一家受信任的在線學(xué)習(xí)公司,其網(wǎng)絡(luò)遍布全球,共有250,000多名滿意的學(xué)習(xí)者。Edureka大數(shù)據(jù)Hadoop認(rèn)證培訓(xùn)課程使用零售,社交媒體,航空,旅游,金融領(lǐng)域的實(shí)時(shí)用例,幫助學(xué)習(xí)者成為HDFS,Yarn,MapReduce,Pig,Hive,HBase,Oozie,F(xiàn)lume和Sqoop的專(zhuān)家。


 

預(yù)約申請(qǐng)免費(fèi)試聽(tīng)課

填寫(xiě)下面表單即可預(yù)約申請(qǐng)免費(fèi)試聽(tīng)!怕錢(qián)不夠?可先就業(yè)掙錢(qián)后再付學(xué)費(fèi)! 怕學(xué)不會(huì)?助教全程陪讀,隨時(shí)解惑!擔(dān)心就業(yè)?一地學(xué)習(xí),可推薦就業(yè)!

?2007-2021/北京漫動(dòng)者教育科技有限公司版權(quán)所有
備案號(hào):京ICP備12034770號(hào)

?2007-2022/ m.5wd995.cn 北京漫動(dòng)者數(shù)字科技有限公司 備案號(hào): 京ICP備12034770號(hào) 監(jiān)督電話:010-53672995 郵箱:bjaaa@aaaedu.cc

京公網(wǎng)安備 11010802035704號(hào)

網(wǎng)站地圖