hadoop简介

什么是HADOOP

(1)HADOOP是apache旗下的一套开源软件平台

(2)HADOOP提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理

1. HADOOP的核心组件有

HDFS（分布式文件系统）

MAPREDUCE（分布式运算编程框架）

YARN（运算资源调度系统）

1.2 HADOOP产生背景

1. HADOOP最早起源于Nutch，Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，**遇到了严重的可扩展性问题——**如何解决数十亿网页的存储和索引问题。

2. 2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。

——分布式文件系统（GFS），可用于处理海量网页的存储

——分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。

1. Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。

1.3 HADOOP在大数据、云计算中的位置和关系

1. 云计算是分布式计算、并行计算、网络计算、多核计算、网络存储、虚拟化、负载均衡等传统计算机技术和互联网技术融合发展的产物。借助IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS（软件即服务）等业务模式，把强大的计算能力提供给终端用户。

2. 现阶段，云计算的两大底层支撑技术为“虚拟化”和“大数据技术”

3. 而HADOOP则是云计算的PaaS层的解决方案之一，并不等同于PaaS，更不等同于云计算本身。

1.4 HADOOP应用案例介绍

1、HADOOP应用于数据服务基础平台建设

2．HADOOP用于用户画像

3、HADOOP用于网站点击流日志数据挖掘

分析：哪个页面点击的人比较多，哪个页面跳出的人多

1.5 HADOOP的就业情况

1. HADOOP就业整体情况

2. 大数据产业已纳入国家十三五规划

3. 各大城市都在进行智慧城市项目建设，而智慧城市的根基就是大数据综合平台

4. 互联网时代数据的种类，增长都呈现爆发式增长，各行业对数据的价值日益重视

5. 相对于传统JAVAEE技术领域来说，大数据领域的人才相对稀缺

6. 随着现代社会的发展，数据处理和数据挖掘的重要性只会增不会减，因此，大数据技术是一个尚在蓬勃发展且具有长远前景的领域

7. HADOOP就业职位要求

大数据是个复合专业，包括应用开发、软件平台、算法、数据挖掘等，因此，大数据技术领域的就业选择是多样的，但就HADOOP而言，通常都需要具备以下技能或知识：

1. HADOOP分布式集群的平台搭建

2. HADOOP分布式文件系统HDFS的原理理解及使用

3. HADOOP分布式运算框架MAPREDUCE的原理理解及编程

4. Hive数据仓库工具的熟练应用

5. Flume、sqoop、oozie等辅助工具的熟练使用

6. Shell/python等脚本语言的开发能力

7. HADOOP相关职位的薪资水平

大数据技术或具体到HADOOP的就业需求目前主要集中在北上广深一线城市，薪资待遇普遍高于传统JAVAEE开发人员，以北京为例：

1.6 HADOOP生态圈以及各组成部分的简介

各组件简介

重点组件：

HDFS：分布式文件系统

MAPREDUCE：分布式运算程序开发框架

HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具

HBASE：基于HADOOP的分布式海量数据库

ZOOKEEPER：分布式协调服务基础组件

Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库

Oozie：工作流调度框架（Azakaba）

Sqoop：数据导入导出工具

Flume：日志数据采集框架

数据分析流程介绍

初步理解hadoop数据如何处理流程

一个应用广泛的数据分析系统：“web日志数据挖掘”

2.1 案例需求描述

“Web点击流日志”包含着网站运营很重要的信息，通过日志分析，我们可以知道网站的访问量，哪个网页访问人数最多，哪个网页最有价值，广告转化率、访客的来源信息，访客的终端信息等。

2.2 数据来源

本案例的数据主要由用户的点击行为记录

获取方式：在页面预埋一段js程序，为页面上想要监听的标签绑定事件，只要用户点击或移动到标签，即可触发ajax请求到后台servlet程序，用log4j记录下事件信息，从而在web服务器（nginx、tomcat等）上形成不断增长的日志文件。

2.3 数据流程解析

本案例跟典型的BI系统极其类似，整体流程如下：

但是，由于本案例的前提是处理海量数据，因而，流程中各环节所使用的技术则跟传统BI完全不同，后续课程都会一一讲解：

1. 数据采集：定制开发采集程序，或使用开源框架FLUME

2. 数据预处理：定制开发mapreduce程序运行于hadoop集群

3. 数据仓库技术：基于hadoop之上的Hive

4. 数据导出：基于hadoop的sqoop数据导入导出工具

5. 数据可视化：定制开发web程序或使用kettle等产品

6. 整个过程的流程调度：hadoop生态圈中的oozie工具或其他类似开源产品

2.4 项目技术架构图

2.5 项目最终效果

经过完整的数据处理流程后，会周期性输出各类统计指标的报表，在生产实践中，最终需要将这些报表数据以可视化的形式展现出来，本案例采用web程序来实现数据可视化

效果如下所示：