隨著信息化技術(shù)的日漸普及、寬帶網(wǎng)絡(luò)的快速興起，以及云計(jì)算、移動(dòng)互聯(lián)和物聯(lián)網(wǎng)等新一代信息技術(shù)的廣泛應(yīng)用，全球數(shù)據(jù)的增長(zhǎng)速度進(jìn)一步加快。與此同時(shí)，一批數(shù)據(jù)收集、存儲(chǔ)、處理技術(shù)和應(yīng)用快速發(fā)展并逐漸匯聚。軟件運(yùn)用的技術(shù)越來(lái)越尖端，結(jié)合不斷提高的計(jì)算能力，從數(shù)據(jù)中提取有價(jià)值信息的能力顯著提高。大體量的數(shù)據(jù)不再是無(wú)序而又沒(méi)有價(jià)值的，大數(shù)據(jù)誕生了。
1認(rèn)識(shí)大數(shù)據(jù)
所謂大數(shù)據(jù)，就是從各種類型的數(shù)據(jù)中，快速獲得有價(jià)值信息的能力。大數(shù)據(jù)是需要新處理模式才能具有更強(qiáng)的決策力、洞察力和流程優(yōu)化能力的海量、高增長(zhǎng)率和多樣化的信息資產(chǎn)。它是對(duì)那些超出正常處理范圍和大小、迫使用戶采用非傳統(tǒng)處理方法的數(shù)據(jù)集所下的定義。
區(qū)別于過(guò)去的海量數(shù)據(jù)，大數(shù)據(jù)的特點(diǎn)可以概況為4個(gè)V：Volume、Variety、Value和Velocity，即大量、多樣、價(jià)值密度低、快速。
第一，數(shù)據(jù)體量大。大數(shù)據(jù)一般指在10TB（1TB=1024GB）規(guī)模以上的數(shù)據(jù)量，目前正在躍升到PB（1PB=1024TB）級(jí)別。不僅存儲(chǔ)量大，計(jì)算量也大。
第二，數(shù)據(jù)類型多。除了數(shù)值數(shù)據(jù)，還有文字、聲音、視頻等，包括網(wǎng)絡(luò)日志、視頻、圖片、地理位置信息等多種類型的格式。由于數(shù)據(jù)來(lái)自多種數(shù)據(jù)源，數(shù)據(jù)種類和格式日漸豐富，已沖破了以前所限定的結(jié)構(gòu)化數(shù)據(jù)范疇，囊括了半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。
第三，價(jià)值密度低。以視頻為例，不間斷監(jiān)控視頻中，有價(jià)值的數(shù)據(jù)可能僅有一兩秒。找到有價(jià)值的信息有如沙里淘金，其價(jià)值卻又彌足珍貴。
第四，處理速度快。在數(shù)據(jù)量非常龐大的情況下，也能做到數(shù)據(jù)的實(shí)時(shí)處理。這一點(diǎn)和傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)有著本質(zhì)的不同。
大數(shù)據(jù)技術(shù)是指從各種類型的大體量數(shù)據(jù)中快速獲得有價(jià)值信息的技術(shù)。這是大數(shù)據(jù)的核心問(wèn)題。目前所說(shuō)的大數(shù)據(jù)不僅指數(shù)據(jù)本身的規(guī)模，也包括采集數(shù)據(jù)的工具、平臺(tái)和數(shù)據(jù)分析系統(tǒng)。大數(shù)據(jù)研發(fā)的目的是發(fā)展大數(shù)據(jù)技術(shù)并將其應(yīng)用到相關(guān)領(lǐng)域，通過(guò)解決大體量數(shù)據(jù)處理問(wèn)題促進(jìn)其突破性發(fā)展。因此，大數(shù)據(jù)時(shí)代帶來(lái)的挑戰(zhàn)不僅體現(xiàn)在如何處理大體量數(shù)據(jù)并從中獲取有價(jià)值的信息，也體現(xiàn)在如何加強(qiáng)大數(shù)據(jù)技術(shù)研發(fā)。大數(shù)據(jù)所涉及的關(guān)鍵技術(shù)大致包括6個(gè)方面：數(shù)據(jù)采集與數(shù)據(jù)管理、分布式存儲(chǔ)和并行計(jì)算、大數(shù)據(jù)應(yīng)用開(kāi)發(fā)、數(shù)據(jù)分析與挖掘、大數(shù)據(jù)前端應(yīng)用、數(shù)據(jù)服務(wù)和展現(xiàn)。
大數(shù)據(jù)技術(shù)正在向各行各業(yè)滲透。Hadoop作為數(shù)據(jù)分布式處理系統(tǒng)的典型代表，已經(jīng)成為該領(lǐng)域事實(shí)的標(biāo)準(zhǔn)。但Hadoop并不等于大數(shù)據(jù)，它只是一個(gè)成功的處理離線數(shù)據(jù)的分布式系統(tǒng)，大數(shù)據(jù)領(lǐng)域還存在眾多其他類型的處理系統(tǒng)。
伴隨大數(shù)據(jù)技術(shù)的普及，Hadoop因其開(kāi)源的特點(diǎn)和卓越的性能成為一時(shí)的新寵，甚至有人認(rèn)為大數(shù)據(jù)就是Hadoop，其實(shí)這是一個(gè)誤區(qū)。Hadoop只是處理離線數(shù)據(jù)的分布式存儲(chǔ)和處理系統(tǒng)。除了Hadoop，還有用于處理流數(shù)據(jù)的Storm、處理關(guān)系型數(shù)據(jù)的Oracle、處理實(shí)時(shí)機(jī)器數(shù)據(jù)的Splunk……目前主流的大數(shù)據(jù)系統(tǒng)很多，Hadoop只是其中的代表。
2.1 Hadoop的核心模塊
Hadoop Common：Hadoop的公用應(yīng)用模塊，是整個(gè)Hadoop項(xiàng)目的核心，為Hadoop各子項(xiàng)目提供各種工具，如配置文件和日志操作等，其他Hadoop子項(xiàng)目都是在此基礎(chǔ)上發(fā)展起來(lái)的。
Hadoop Distributed File System（HDFS）：Hadoop分布式文件系統(tǒng)，提供高吞吐量應(yīng)用程序數(shù)據(jù)訪問(wèn)，并具有高容錯(cuò)性。對(duì)外部客戶機(jī)而言，HDFS就像一個(gè)傳統(tǒng)的分級(jí)文件系統(tǒng)，可以進(jìn)行增刪改查或重命名等常規(guī)文件操作。但實(shí)際上HDFS中的文件被分成塊，然后復(fù)制到多個(gè)計(jì)算機(jī)中，這與傳統(tǒng)的RAID架構(gòu)大不相同。HDFS特別適合需要一次寫入、多次讀取的超大規(guī)模數(shù)據(jù)集的應(yīng)用程序。
Hadoop YARN：一個(gè)作業(yè)調(diào)度和群集資源管理框架。
Hadoop MapReduce：基于YARN的大型數(shù)據(jù)分布式并行編程模式和程序執(zhí)行框架，是Google的MapReduce的開(kāi)源實(shí)現(xiàn)。它幫助用戶編寫處理大型數(shù)據(jù)集的并行運(yùn)行程序。MapReduce隱藏了分布式并行編程的底層細(xì)節(jié)，服務(wù)器租用 免備案服務(wù)器，開(kāi)發(fā)人員只需編寫業(yè)務(wù)邏輯代碼，而無(wú)需考慮程序并行執(zhí)行的細(xì)節(jié)，從而大大提高了開(kāi)發(fā)效率。
Apache的其他與Hadoop相關(guān)的項(xiàng)目還有很多。
作為分布式計(jì)算領(lǐng)域的典型代表，Hadoop比其他分布式框架有更多的優(yōu)點(diǎn)。
可擴(kuò)展性：Hadoop可以在不停止集群服務(wù)的情況下，在可用的計(jì)算機(jī)集簇間分配數(shù)據(jù)并完成計(jì)算，這些集簇可以方便地?cái)U(kuò)展到數(shù)千節(jié)點(diǎn)中。
