大数据技术原理及应用.pdfVIP

大数据技术原理及应用 大数据处理架构—Hadoop简介 Hadoop 项目包括了很多子项目，结构如下图  Common 原名：Core，包含 HDFS, MapReduce 和其他公共项目，从 Hadoop 0.21 版本后，HDFS 和 MapReduce 分离出去，其余部分内容构成Hadoop Common 。Common 为其他子项目提供支 持的常用工具，主要包括文件系统、RPC(Remote procedure call) 和串行化库。  Avro Avro 是用于数据序列化的系统。它提供了丰富的数据结构类型、快速可压缩的二进制数据 格式、存储持久性数据的文件集、远程调用RPC 的功能和简单的动态语言集成功能。其中， 代码生成器既不需要读写文件数据，也不需要使用或实现 RPC 协议，它只是一个可选的对 静态类型语言的实现。Avro 系统依赖于模式 （Schema ），Avro 数据的读和写是在模式之下完 成的。这样就可以减少写入数据的开销，提高序列化的速度并缩减其大小。 Avro 可以将数据结构或对象转化成便于存储和传输的格式，节约数据存储空间和网络传输 带宽，Hadoop 的其他子项目（如HBase 和Hive）的客户端和服务端之间的数据传输。  HDFS HDFS：是一个分布式文件系统，为Hadoop 项目两大核心之一，是Google file system （GFS ） 的开源实现。由于 HDFS 具有高容错性（fault-tolerant）的特点，所以可以设计部署在低廉 （low-cost）的硬件上。它可以通过提供高吞吐率（high throughput）来访问应用程序的数据， 适合那些有着超大数据集的应用程序。HDFS 放宽了可移植操作系统接口（POSIX，Portable Operating System Interface）的要求，这样就可以实现以流的形式访问文件系统中的数据。  MapReduce Hadoop MapReduce 是针对谷歌MapReduce 的开源实现，它是一种编程模型，用于大规模数 据集（大于1TB）的并行运算。“映射”（map）、“化简”（reduce）等概念和它们的主要思想 都是从函数式编程语言中借来的。它使得编程人员在不了解分布式并行编程的情况下也能方 便地将自己的程序运行在分布式系统上。MapReduce 在执行时先指定一个 map （映射）函 数，把输入键值对映射成一组新的键值对，经过一定的处理后交给 reduce，reduce 对相同 key 下的所有value 进行处理后再输出键值对作为最终的结果。核心思想就是“分而治之”。  HBase HBase 是一个分布式的、面向列的开源数据库，该技术来源于Google 的论文“Bigtable：一 个结构化数据的分布式存储系统”。如同Bigtable 利用了Google 文件系统（Google File System） 提供的分布式数据存储方式一样，HBase 在Hadoop 之上提供了类似于Bigtable 的能力。HBase 不同于一般的关系数据库，其一，HBase 是一个适合于存储非结构化数据的数据库；其二， HBase 是基于列而不是基于行的模式。HBase 和Bigtable 使用相同的数据模型。用户将数据 存储在一个表里，一个数据行拥有一个可选择的键和任意数量的列。由于HBase 表示疏松的， 用户可以给行定义各种不同的列。HBase 主要用于需要随机访问、实时读写的大数据。  Hive Hive 最早是由 Facebook 设计的，是一个建立在Hadoop 基础之上的数据仓库，它提供了一 些用于数据整理、特殊查询和分析存储在Hadoop 文件中的数据集的工具。Hive 提供的是一 种结构化数据的机制，它支持类似于传统RDBMS 中的SQL 语言来帮助那些熟悉SQL 的用户 查询Hadoop 中的数据，该查询语言称为Hive QL 。与此同时，那些传统的MapReduce 编程 人员也可以在Mappe 或Reduce 中通过Hive QL 查询数据。Hive 编译器会把Hive QL 编译成 一组MapReduce 任务，从而方便MapReduce 编程人员进行Hadoop 应用的开发。  Pig Pig 是一个对大型数据集进行分析和评估的平台。Pig 最突出的优势是它的结构能够经受住高 度并行化的检验，这个特性让它能够处理大型的数据集。目前，Pig 的底层