本文为 PPT 的讲义,请配合 PPT 使用。
因为是对公司同事的大数据科普课程,因此基础思想讲的比较多。技术详情,PPT 中写的比较清楚。
PPT 在此云盘连接中。
链接:大数据学习 PPT 百度云盘提取码:ll08
因为是讲义,所以行文比较口语化,大家见谅。
起始语:
“大家好,今天很荣幸和大家一起来了解一下大数据,让咱们对现在很火热的大数据有一个大概的了解。我们今天会讲到大数据的来源,大数据的概念,大数据的相关核心技术与组件,以及大数据的应用等。”
-
首选我们看大数据的来源。
说起大数据,那么就要先说说数据。数据的本质是什么呢? -
4:念
在十几年前,可能大家数据还没有现在这么看重,有些时候对一些数据,比如系统日志,操作日志,还有一些机器的参数记录,一些视频记录,都认为是杂乱的,没有太大价值的“副产物”,没有认识到数据的真正价值,很多时候都是一删了之。但是现在,数据已经被放到了非常重要的战略地位。数据现在被认为是最重要的资产和资源之一。国家现在也对数据资产很重视。 -
5:念。
另一个现实是数据在不断地爆炸性增长。大家自己也能直观的感受到。比如说手机的存储。从几年前的 8 个 G12 个 G,到现在的 64G128G。但是依然很快就不够用了。自己出去玩一次能拍几百多张照片。APP 大小从几 M 到几百 M。更别说我们使用 APP 产生的海量数据了。 -
6:
但是这就导致了一个新的问题。
数据资产的概念被人们接受了。大家都了解到管理数据资产的重要性。
如何理解呢,曾经,关系型数据库是万能的。我们做任何系统都会去使用关系型数据库。但是现在单纯的关系型数据库,不管是单机还是集群,已经无法满足现有需求了。看 PPT -
7:
现有的数据资产管理的挑战主要来源于哪里。
看 PPT
那对于新时代的 数据资产,对于现有的大数据管理现状,我们都有哪些新的需求呢?
-
8:
首先是看数据的方式要不同,这个看,怎么理解呢。这个看不仅仅是指 前端看报表,看页面,主要指的是看待数据的方式,我们以前看数据,会直观的把数据结构化,关系化。认为有序的,符合范式的数据才是好数据,才是可以利用的数据,我们去找数据,利用数据,只看到了这部分数据,却没有看到冰山下更多的数据。现在我们要转变看数据的观念,看到隐藏在海面下的冰山。这部分数据是什么呢?PPT -
9:
其次,我们需要更高性价比的计算与存储方式。物理上,我们现在单机存储,是很昂贵的。而且是越大,越昂贵。计算能力,如果是单纯依靠堆服务器,那成本更加不可想象。数据库层面,超过一定数据量后,单机数据库就无法使用了,数据库集群的成本和系统复杂度又过于高昂,现在暴炸性的数据和计算,我们需要更加廉价,更高效的处理方式。 -
10:
再然后,以前的数据管理策略都是基于结构化数据的,在遇到不同的数据结构式,显然已经无法处理了。再有,现有的处理逻辑和系统架构,业无法适应大数据时代的需求。想要扩充,只能 scale-up(扩展),scale-out(分体扩展。) 不易;scale Up(纵向扩展) 主要是利用现有的存储系统,通过不断增加存储容量来满足数据增长的需求。Scale-out 横向扩展架构的升级通常是以节点为单位,每个节点往往将包含容量、处理能力和 I / O 带宽。一个节点被添加到存储系统,系统中的三种资源将同时升级。
PPT。 -
11:
再有,从以下四个方面 PPT。这四方面都提出了巨大的考验,这些已经超出了现有企业 It 能独自解决的能量范围了。我们需要一种新的,适应爆炸性的数据增长,能解决我们之前提出的问题的解决方案。 -
12:
再从政策层面说,现在的中央政府对大数据很支持,PPT。
郑州已经被设立为八个国家大数据综合试验区之一。
郑州是地级市中唯一设立大数据管理局的。其他都为政务与大数据管理局。
从这些国家领导人的话和各项落实的政策里,可以看到,大数据时代已经到来。我们也需要新的技术来解决我们遇到的数据问题,而这个选择就是大数据。 -
13:
我们接下来来了解一下大数据的概念。
什么是大数据?
以及大数据技术所带来的的思维模式与之前有什么不同?有什么特点,又能带来怎样的变化。 -
14:
首选,什么是数据?
PPT
从数据结构上来说,有结构化,半结构化,非结构化。
从感受上来说,万物皆为数据,我们所能看到的,所能感受到的,甚至无法感受的,都可以说是数据。能看到的,结构化的文档,非结构化的视频,等等。 -
15:
那什么是大数据呢?
这个大作何解释,首选大,是体量上的大。PPT
1K 就已经是 2 的十次方 bit 了。一个 bit 是 一个 0 或 1。
1M 是 2 的 20 次方,1G 是 2 的 30 次方,1T 是 2 的 40 次方,1PB 是 2 的 50 次方
银河系星球数量是 4*10 的 11 次方。 -
16:
数据是如此之多,以至于,已经没有办法在可容忍的时间下使用常规软件方法完成存储、管理和处理任务。
从 PPT 可以看到,
2010 年产生的新数据就可以抵得上 52000 个美国国会图书馆。那么到如今 2018 年呢。每年的数据增长量都是百分之几十的递增。如今的数据存储量更是暴涨。 -
17:
综合以上所述的种种情况,我们来看一下各个机构对大数据的定义是什么?
PPT -
18:
我们综合这些定义,可以得出一个什么结论呢?我们看 PPT,念定义。
这个图展示了系统和数据量级,以及数据的复杂性增长。
ERP 业务是最复杂的,但是数据结构是最清洗,数据量是最小的。
最后的日志之类的,甚至没有业务逻辑,但是数据是最复杂的,量是最大的。 -
19:
定义了大数据,我们来看一下大数据的 4v 特性。
PPT
有人呢,把大数据 4V 特性,扩展为了十个字。我们接下来再讲 -
20:
首选讲讲体量特性,就是指大数据体量极大。这个大家从之前的 PPT 都能看到。大数据首先要解决的就是数据体量大的问题。 -
21:
速度特性,一方面是指数据增长的速度极快,另一方面讲是说数据处理的速度极快 -
22:
年 PPT -
23:
价值密度,大数据并不是说数据量多了,数据价值就更高。可能数据量增大后,数据平均价值是下降的。也就是说数据的价值密度比较低。 -
24:
以上四个特性是外国人总结的,下面我们讲讲中国人总结的,这是华为的大数据专家傅一航总结的,大数据的十字特性。PPT -
25:
念 PPT -
26:
念 PPT -
27:
念 PPT -
28:
念 PPT
这十个字,是对大数据 4v 特性的深化。 -
29:
大数据时代,大数据技术的到来,不光带来了技术上,数据存储上的革新。同时也带来了新的思维模式来处理数据,主要是从以下三个方面来。PPT -
30:
如何理解呢,我们看 PPT,如何理解更多。?
以前,我们无法收集尽可能多的数据,只能尽量收集关键数据,也无法存储所有的数据,没有能力去计算所有的数据。所以,我们进行的计算,分析都是基于样本数据的。但是现在不一样了,我们能够获取全部数据,可以用比较廉价的算力和存储来进行数据的收集和分析,我们就可以对,所有的数据进行分析。以 PPT 所示的人口调查的例子来说。 -
31:
如何理解更杂?
我们以前整理数据,获取数据都是追求越精确越好,数据越干净越纯净越好。这一方面是因为我们人类对于真理,对于精准的追求,另一方面,也是迫于现实情况。我们只能从混乱中提取出精准,才能处理。我们有限的资源只能处理精准的数据。但是大数据技术,大数据时代改变了这个形式。根据 4v 特性,大数据的价值密度是很低的。体量是很大的。必然,这些混杂数据质量没有精准数据高。但是,这不是缺陷,而是另一种价值。我们从中可以获取更多的信息,更多的价值。看 ppt -
32:
如何理解更好,也就是因果关系与相关关系呢。
我们看 PPT
因果很好理解,从 A 推出 B,从 B 推出 C。那什么是相关呢。我们同属于一个公司,我们是相关的,我是男性,所有男性和我都是相关的。所以,大数据时代,分析问题的逻辑不再是因为 A,所以 B。而是有无数个相关条件,那么得出一个结论。这个结论只是可能性。数据越多,样本越多,相关性越多,这个可能性越高。但是,我们不能说,因为我是男的,所以我就要怎么样怎么样。所以,这是相关,而不是因果。 -
33:
好,我们都看了大数据的来源,大数据概念,对大数据的一些特性和一些思维上的改变。那么我们接下来看一下大数据相关的技术。
我们会看一下,大数据的生态,相关大数据技术的主流厂商,从六个方向分析大数据所用的技术。一些组件。 -
34:
首先,我们来看大数据核心相关信息。
我们要明确,广义上,大数据是一种概念,一种理论。同时,在狭义上,大家也习惯将大数据指为一种技术,也就是以 hadoop 为核心的生态。
那么我们来看看这个生态系统。PPT -
35:
我们看一下大数据生态的整体架构,我们从五个方面说。
数据采集,就是获取数据,包括从数据库,日志,摄像头,一些数据流信息,甚至物联网设备,这些都是数据源。
。。。。。。
PPT
可以看到,大数据的整个生态,是从实,到虚,又到实。是一个闭环。对,从用户的角度来说,看起来像是一个黑盒系统,和之前的关系型数据库,传统的处理,好像没有什么不同。但是实际上,我们做的比以前要多的多。 -
36:
接下来,我们看一下,现在大数据生态中,比较主流的大数据软件集成商是那些。
主要有以下三家:PPT
我们使用的是 Cloudera,点击看一下。 -
37:
我们看一下三家主流厂商的系统对比。
今年,Hortonworks 的 Ambari 系统。 和 Cloudera 合并了。。。
所以,以后 ambari 和 clouderaManager 可能就是一个了。。 -
38:
接下来,我们看一下,我们公司现有的大数据平台的架构。
我们采用了 Cloudera 公司的方案,使用了 ClouderaManager 平台。
大体架构如下:
PPT -
39:
接下来,我们从大数据获取的方向来看一下大数据的组件
第一个是 sqoop,sqoop 是类似于 ETL 的一个工具组件。
PPT -
40:
接下来,我们看一下另一个数据获取组件 Flume,水槽。。
它是由 Cloudra 贡献的。 -
41:
接下来,我们来看一个 hadoop 里非常重要的组件 HDFS,谷歌他们用的是 GFS 系统。
PPT
可以理解为 hadoop 是一个架子,你往里放什么砖,就会做出什么功能的建筑。 -
42:
念 PPT -
43:
念 PPT -
44:
关于无法存储小文件,HDFS 对大文件处理是很优秀的。但是大量小文件会导致运行效率变差。 -
45:
文件是被拆开,分别存储在不同的服务器硬盘上的。 -
46:
namenode 存的是目录,datanode 存的是文件。 -
47:
namenode 负责什么呢?
**中间部分 PPT 都为技术详细情况介绍,可以直接看 PPT
-
92:
京东的仓储体系,早几年前就使用了大数据的分析。会分析某个地区,将来可能会购买的物品,将其提前调配到最近的仓库。以达到快速配送的目的。所以京东敢喊次日达。当日达。 -
93:
阿里的智慧工厂系统,通过大数据 +AI,曾经给某个光伏长提高了 1% 的生产效率。提高了一个多亿的效益。
欢迎来到这里!
我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。
注册 关于