Spark

大数据平台搭建之开篇介绍

本篇文章阅读对象:给从未接触过大数据平台的同学准备的入门篇,尽量通俗化说清涉及到的软件功能与作用,进阶内容可以阅读各个专门章节。 大数据是什么? 大数据是什么,这里我们先看下百度百科的解释 大数据(big data),IT行业术语,是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 说白了,“大数据”就是一大堆数据。 学习目标 而我们学习大数据这门专业,学习的就是: 如何采集到这些数据 如何保存这些数据 如何处理这些数据 如何把这些数据直观的显示出来 我们搭建大数据平台解决的就是第2、3个问题。 正题-软件介绍 那么我们到底该怎样去解决这些问题呢,大佬们一般会选择自己写程序,而我们初学者,已经有了热心的大佬们开发的程序,我们可以直接拿来使用。 下面将介绍与大数据相关的软件。 存储框架方面的软件: 可以解决第2个问题,即保存数据。 HDFS HDFS其全称为“Hadoop Distributed File System”,即“Hadoop分布式文件系统”,可以把大量的数据/文件放在多台计算机组成的HDFS这个超级硬盘中。HDFS的详细信息会在专门篇中介绍,本篇主要是帮助了解大概情况。 HBASE HBASE是分布式数据库系统,依托于HDFS+MySql存在 运算框架方面的软件: 解决的是上边的第3个问题,即处理数据的问题,帮用户将处理逻辑在很多机器上并行。 MapReduce MapReduce是运算框架,本身就是用于并行处理大数据集的软件框架,你可以在这个框架内填充自己的程序,高效的运行在Hadoop框架上。 Spark Spark是运算框架, 是专为大规模数据处理而设计的快速通用的计算引擎, 与Hadoop MapReduce的比较:拥有MapReduce所具有的优点,但是速度更快、适用范围更广。简单理解,就是MapReduce的加强版。 辅助类的工具: 作用是解放大数据工程师的时间,快速简洁的完成一些繁琐工作。主要有 HIVE HIVE —— 数据仓库工具:可以接收sql,翻译成mapreduce或者spark程序运行 FLUME FLUME——数据采集 其中HDFS和MapReduce是Hadoop这个工具的两个核心部分,其整体是一个分布式系统基础架构,简洁通俗的讲就是可以协同运行在多台计算机上软件,组成一个集群。 参考资料: Hadoop_百度百科