大数据学习 PPT,讲述大数据基础的概念,Hadoop 生态,常用技术。(PPT+ 讲义)

本贴最后更新于 1881 天前,其中的信息可能已经时移世异

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。

  • 大数据

    大数据(big data)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。

    93 引用 • 113 回帖
  • PPT
    7 引用 • 17 回帖
  • 教程
    143 引用 • 597 回帖 • 8 关注

相关帖子

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
请输入回帖内容 ...
sq8852161
前端后端数据库,什么都要做的JAVA码农。( Ĭ ^ Ĭ )

推荐标签 标签

  • GitBook

    GitBook 使您的团队可以轻松编写和维护高质量的文档。 分享知识,提高团队的工作效率,让用户满意。

    3 引用 • 8 回帖 • 4 关注
  • MyBatis

    MyBatis 本是 Apache 软件基金会 的一个开源项目 iBatis,2010 年这个项目由 Apache 软件基金会迁移到了 google code,并且改名为 MyBatis ,2013 年 11 月再次迁移到了 GitHub。

    170 引用 • 414 回帖 • 383 关注
  • Git

    Git 是 Linux Torvalds 为了帮助管理 Linux 内核开发而开发的一个开放源码的版本控制软件。

    209 引用 • 358 回帖
  • 国际化

    i18n(其来源是英文单词 internationalization 的首末字符 i 和 n,18 为中间的字符数)是“国际化”的简称。对程序来说,国际化是指在不修改代码的情况下,能根据不同语言及地区显示相应的界面。

    8 引用 • 26 回帖
  • Jenkins

    Jenkins 是一套开源的持续集成工具。它提供了非常丰富的插件,让构建、部署、自动化集成项目变得简单易用。

    53 引用 • 37 回帖
  • 数据库

    据说 99% 的性能瓶颈都在数据库。

    338 引用 • 705 回帖
  • RYMCU

    RYMCU 致力于打造一个即严谨又活泼、专业又不失有趣,为数百万人服务的开源嵌入式知识学习交流平台。

    4 引用 • 6 回帖 • 53 关注
  • Latke

    Latke 是一款以 JSON 为主的 Java Web 框架。

    70 引用 • 533 回帖 • 778 关注
  • Ant-Design

    Ant Design 是服务于企业级产品的设计体系,基于确定和自然的设计价值观上的模块化解决方案,让设计者和开发者专注于更好的用户体验。

    17 引用 • 23 回帖
  • 程序员

    程序员是从事程序开发、程序维护的专业人员。

    565 引用 • 3532 回帖
  • 开源中国

    开源中国是目前中国最大的开源技术社区。传播开源的理念,推广开源项目,为 IT 开发者提供了一个发现、使用、并交流开源技术的平台。目前开源中国社区已收录超过两万款开源软件。

    7 引用 • 86 回帖
  • 小薇

    小薇是一个用 Java 写的 QQ 聊天机器人 Web 服务,可以用于社群互动。

    由于 Smart QQ 从 2019 年 1 月 1 日起停止服务,所以该项目也已经停止维护了!

    34 引用 • 467 回帖 • 741 关注
  • 禅道

    禅道是一款国产的开源项目管理软件,她的核心管理思想基于敏捷方法 scrum,内置了产品管理和项目管理,同时又根据国内研发现状补充了测试管理、计划管理、发布管理、文档管理、事务管理等功能,在一个软件中就可以将软件研发中的需求、任务、bug、用例、计划、发布等要素有序的跟踪管理起来,完整地覆盖了项目管理的核心流程。

    6 引用 • 15 回帖 • 127 关注
  • Mobi.css

    Mobi.css is a lightweight, flexible CSS framework that focus on mobile.

    1 引用 • 6 回帖 • 733 关注
  • WebComponents

    Web Components 是 W3C 定义的标准,它给了前端开发者扩展浏览器标签的能力,可以方便地定制可复用组件,更好的进行模块化开发,解放了前端开发者的生产力。

    1 引用 • 2 关注
  • Bootstrap

    Bootstrap 是 Twitter 推出的一个用于前端开发的开源工具包。它由 Twitter 的设计师 Mark Otto 和 Jacob Thornton 合作开发,是一个 CSS / HTML 框架。

    18 引用 • 33 回帖 • 659 关注
  • Firefox

    Mozilla Firefox 中文俗称“火狐”(正式缩写为 Fx 或 fx,非正式缩写为 FF),是一个开源的网页浏览器,使用 Gecko 排版引擎,支持多种操作系统,如 Windows、OSX 及 Linux 等。

    8 引用 • 30 回帖 • 407 关注
  • 996
    13 引用 • 200 回帖 • 2 关注
  • Gitea

    Gitea 是一个开源社区驱动的轻量级代码托管解决方案,后端采用 Go 编写,采用 MIT 许可证。

    4 引用 • 16 回帖
  • Scala

    Scala 是一门多范式的编程语言,集成面向对象编程和函数式编程的各种特性。

    13 引用 • 11 回帖 • 123 关注
  • ZooKeeper

    ZooKeeper 是一个分布式的,开放源码的分布式应用程序协调服务,是 Google 的 Chubby 一个开源的实现,是 Hadoop 和 HBase 的重要组件。它是一个为分布式应用提供一致性服务的软件,提供的功能包括:配置维护、域名服务、分布式同步、组服务等。

    59 引用 • 29 回帖 • 3 关注
  • 正则表达式

    正则表达式(Regular Expression)使用单个字符串来描述、匹配一系列遵循某个句法规则的字符串。

    31 引用 • 94 回帖 • 1 关注
  • OpenShift

    红帽提供的 PaaS 云,支持多种编程语言,为开发人员提供了更为灵活的框架、存储选择。

    14 引用 • 20 回帖 • 623 关注
  • 阿里巴巴

    阿里巴巴网络技术有限公司(简称:阿里巴巴集团)是以曾担任英语教师的马云为首的 18 人,于 1999 年在中国杭州创立,他们相信互联网能够创造公平的竞争环境,让小企业通过创新与科技扩展业务,并在参与国内或全球市场竞争时处于更有利的位置。

    43 引用 • 221 回帖 • 127 关注
  • 一些有用的避坑指南。

    69 引用 • 93 回帖
  • Ubuntu

    Ubuntu(友帮拓、优般图、乌班图)是一个以桌面应用为主的 Linux 操作系统,其名称来自非洲南部祖鲁语或豪萨语的“ubuntu”一词,意思是“人性”、“我的存在是因为大家的存在”,是非洲传统的一种价值观,类似华人社会的“仁爱”思想。Ubuntu 的目标在于为一般用户提供一个最新的、同时又相当稳定的主要由自由软件构建而成的操作系统。

    124 引用 • 169 回帖
  • MongoDB

    MongoDB(来自于英文单词“Humongous”,中文含义为“庞大”)是一个基于分布式文件存储的数据库,由 C++ 语言编写。旨在为应用提供可扩展的高性能数据存储解决方案。MongoDB 是一个介于关系数据库和非关系数据库之间的产品,是非关系数据库当中功能最丰富,最像关系数据库的。它支持的数据结构非常松散,是类似 JSON 的 BSON 格式,因此可以存储比较复杂的数据类型。

    90 引用 • 59 回帖 • 4 关注