大数据学习基础

大数据概述

一、大数据的概念

大数据：无法在一定时间范围内使用常规软件工具进行捕捉管理和处理的数据集合。需要使用新处理模式使海量、高增长率和多样化信息资产更具决策力、洞察发现力、流程优化能力。

主要解决：海量数据的存储和海量数据的分析计算问题。

按顺序给出数据存储单位：

二、大数据的特点

1.Volume(大量)

截止到目前人类生产的所有印刷材料的数据量是200PB。估计历史 上全人类总共说过的的话约是5EB。当前典型计算机硬盘的容量是1TB， 而一些大型企业的数据量已接近EB量级。

2.Velocity(高速)

这是大数据区分于传统数据挖掘的最显著特征。根据IDC“数字宇宙”的报告，预计到2020年全球数据使用量将达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。

3.Variety(多样)

类型多样性也让数据分为结构化数据和非结构化数据。相对于以往便于存储的以数据库/文本为主的结构化数据，非结构化数据越来越 多，包括网络日志、视频、音频、图片、地理位置等。这些多类型的数 据对数据的处理能力提出了更高的要求。

4.Value(低价值密度)

价值密度的高低与数据总量的大小成反比。比如：从一天的监控视频中我们只关心班长晚上在床上锻炼的一分钟。

如何快速对有价值的数据“提纯”成为目前大数据背景下待解决的难题。

三、大数据能干啥

1.O2O：主流的商业模式 Online To Offline（在线离线/线上到线下），是指将线下的商务机会与互联网结合，让互联网成为线下交易的平台，这个概念最早来源于美国。O2O的概念非常广泛，既可涉及到线上，又可涉及到线下,可以通称为O2O。

百度大数据+先进的打通线上线下技术平台+客流分析能力=帮助商家精细化运营和提升销售量

2.零售：探索用户价值，提供个性化服务解决方案； 贯穿网络与实体零售，携手创造极致体验。

3.旅游：深度综合大数据能力与旅游行业需求，共建旅游产业智能管理、智能服务、智能营销。

4.商品广告推荐：给用户推荐访问过的商品广告类型。

5.保险：海量的数据挖掘和风险预测，助力保险行业精准营销，提升精细化定价能力。

6.金融：多维度体现用户特征，帮助金融机构推荐优质客户，防范欺诈风险。

7.房产：大数据全面主力房地产行业，打造精准投策与营销，选择更适合的地，建造更适合的楼盘，卖个更适合的人。

8.人工智能

四、大数据发展前景

1.党的十八届五中全会提出“实施国家大数据战略”，国务院印发 《大数据发展行动纲要》，大数据技术和应用处于创新突破期。国内 市场需求处于爆发期，我国大数据产业面临重要的发展机遇。

2.国际数据公司IDC预测到2020年，企业基于大数据计算分析平台的支出将突破5000亿美元，我国大数据人才目前只有46万，未来3至5年人才缺口到达150万。

3.2017年北京大学，人民大学，北京邮电大学等25所高校成功开设大数据课程。

4.大数据属于“高”、“新”行业，“大牛少”升职竞争小。

5.在北京大数据开发工程师的平均薪资已经达到了17800元(数据统计来自于职友集)，并且目前还保持强劲的发展势头。

五、业务流程和组织结构

1.企业数据部的业务流程

2.企业数据部的一般组织结构

Hadoop架构到大数据生态

2.Hadoop发展史：Lucene--Doug Cutting开创的开源软件，用java书写代码实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎。

可以说Google是hadoop的思想之源(Google在大数据方面的三篇论文)：GFS --->HDFS        Map-Reduce --->MR         BigTable --->Hbase

3.2003-2004年，Google公开了部分GFS和Mapreduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和Mapreduce机制，使 Nutch性能飙升。

2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会。

2006 年3月份，Map-Reduce和Nutch Distributed File System (NDFS) 分别被纳入称为Hadoop的项目中。

名字来源于 Doug Cutting儿子的玩具大象。

Hadoop就此诞生并迅速发展，标志着云计算时代来临。

4.hadoop三大发行版本：Apache、Cloudera、Hortonworks。

a.Apache版本最原始（最基础）的版本，对于入门学习最好

b.Cloudera在大型互联网企业中用的较多

c.Hortonworks文档较好

5.Cloudera

（1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。

（2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为 CDH，Cloudera Manager，Cloudera Support

（3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全 性，稳定性上有所增强。

（4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署 好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对 Hadoop的技术支持。

（5）Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大 数据的Impala项目。

6.Hortonworks

（1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。

（2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工 程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。

（3）雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任 Hortonworks的首席执行官。

（4）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开 源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。

（5）HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook开源的Hive中。 Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一 个非常好的，易于使用的沙盒。

（6）Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能 够在包括Window Server和Windows Azure在内的microsoft Windows平台 上本地运行。定价以集群为基础，每10个节点每年为12500美元。