大数据初识
-
概念：无法在一定时间范围内用常规软件工具进行收集、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、高增长率和多元化的信息资产。主要解决，海量数据的存储和海量数据的分析问题（bit、Byte、KB、MB、TB、PB、EB、ZB、YB、BB、NB、DB）
-
特点： Volume(大量)、Velocity(高速)、Variety(多样)、Value( 低价值密度 )、Veracity（真实性）
-
场景：物流仓储、零售、旅游、商品广告推荐保险、金融、房产、人工智能
-
前景：国家对大数据的支持、国内大数据人才的稀缺、技术核心掌握少
-
部门结构：
- 平台组：Hadoop、Flume、Kafka、HBase、Spark等框架的搭建，集群性能监控，集群性能调优（了解）
- 数据仓库组：ETL工程师-数据清洗，Hive工程师-数据分析、数据仓库建模（重点方向）
- 数据挖掘组：算法工程师、推荐系统工程师、用户画像工程师（重点方向）
- 报表开发组：JAVAEE开发工程师（这个不走）
-
大数据技术生态体系
-
Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
-
Flume：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
-
Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
- 通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
- 高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。
- 支持通过Kafka服务器和消费机集群来分区消息。
- 支持Hadoop并行数据加载。
-
Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
-
Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
-
Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
-
Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
-
Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
-
R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
-
Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
-
ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。
-
推荐系统架构体系