大数据技术原理与应用——概念、存储、处理、分析与应用（林子雨）PPT全套完整教学课件.ppt

Hadoop设计的初衷是面向大规模数据的批量处理，每台机器并行运行MapReduce任务，最后对结果进行汇总输出MapReduce是专门面向静态数据的批量处理的，内部各种实现机制都为批处理做了高度优化，不适合用于处理持续到达的动态数据我们可能会想到一种“变通”的方案来降低批处理的时间延迟——将基于MapReduce的批量处理转为小批量处理，将输入数据切成小的片段，每隔一个周期就启动一次MapReduce作业。但这种方式也无法有效处理流数据8.1.4流计算与Hadoop当前业界诞生了许多专门的流数据实时计算系统来满足各自需求目前有三类常见的流计算框架和平台：商业级的流计算平台、开源流计算框架、公司为支持自身业务开发的流计算框架较为常见的是开源流计算框架，代表如下：TwitterStorm：免费、开源的分布式实时计算系统，可简单、高效、可靠地处理大量的流数据Yahoo!S4（SimpleScalableStreamingSystem）：开源流计算平台，是通用的、分布式的、可扩展的、分区容错的、可插拔的流式系统8.1.4流计算框架8.2 流计算处理流程8.2.1 概述8.2.2 数据实时采集8.2.3 数据实时计算8.2.4 实时查询服务传统的数据处理流程，需要先采集数据并存储在关系数据库等数据管理系统中，之后由用户通过查询操作和数据管理系统进行交互传统的数据处理流程隐含了两个前提：存储的数据是旧的。存储的静态数据是过去某一时刻的快照，这些数据在查询时可能已不具备时效性了需要用户主动发出查询来获取结果8.2.1数据处理流程传统的数据处理流程示意图流计算的处理流程一般包含三个阶段：数据实时采集、数据实时计算、实时查询服务8.2.1数据处理流程流计算处理流程示意图数据实时采集阶段通常采集多个数据源的海量数据，需要保证实时性、低延迟与稳定可靠以日志数据为例，由于分布式集群的广泛应用，数据分散存储在不同的机器上，因此需要实时汇总来自不同机器上的日志数据目前有许多互联网公司发布的开源分布式日志采集系统均可满足每秒数百MB的数据采集和传输需求，如：Facebook的ScribeLinkedIn的Kafka淘宝的TimeTunnel基于Hadoop的Chukwa和Flume8.2.2数据实时采集数据采集系统的基本架构一般有以下三个部分：Agent：主动采集数据，并把数据推送到Collector部分Collector：接收多个Agent的数据，并实现有序、可靠、高性能的转发Store：存储Collector转发过来的数据8.2.2数据实时采集数据采集系统基本架构数据实时计算阶段对采集的数据进行实时的分析和计算，并反馈实时结果经流处理系统处理后的数据，可视情况进行存储，以便之后再进行分析计算。在时效性要求较高的场景中，处理之后的数据也可以直接丢弃8.2.3数据实时计算数据实时计算流程实时查询服务：经由流计算框架得出的结果可供用户进行实时查询、展示或储存传统的数据处理流程，用户需要主动发出查询才能获得想要的结果。而在流处理流程中，实时查询服务可以不断更新结果，并将用户所需的结果实时推送给用户虽然通过对传统的数据处理系统进行定时查询，也可以实现不断地更新结果和结果推送，但通过这样的方式获取的结果，仍然是根据过去某一时刻的数据得到的结果，与实时结果有着本质的区别8.2.3实时查询服务可见，流处理系统与传统的数据处理系统有如下不同：流处理系统处理的是实时的数据，而传统的数据处理系统处理的是预先存储好的静态数据用户通过流处理系统获取的是实时结果，而通过传统的数据处理系统，获取的是过去某一时刻的结果流处理系统无需用户主动发出查询，实时查询服务可以主动将实时结果推送给用户8.2.3实时查询服务流计算是针对流数据的实时计算，可以应用在多种场景中，如Web服务、机器翻译、广告投放、自然语言处理、气候模拟预测等如百度、淘宝等大型网站中，每天都会产生大量流数据，包括用户的搜索内容、用户的浏览记录等数据。采用流计算进行实时数据分析，可以了解每个时刻的流量变化情况，甚至可以分析用户的实时浏览轨迹，从而进行实时个性化内容推荐但是，并不是每个应用场景都需要用到流计算的。流计算适合于需要处理持续到达的流数据、对数据处理有较高实时性要求的场景8.3流计算的应用传统的业务分析一般采用分布式离线计算的方式，即将数据全部保存起来，然后每隔一定的时间进行离线分析来得到结果。但这样会导致一定的延时，难以保证结果的实时性如淘宝网“双十一”、“双十二”的促销活动，商家需要根据广告效果来即使调整广告，这就需要对广告的受访情况进行分析。但以往采用分