[DB] 大数据概述

什么是大数据

• 电商推荐系统
  • 大量订单如何存储（十年）
  • 大量的订单如何计算（不关心算法）
• 天气预报
  • 大量的天气数据如何存储
  • 大量天气数据如何计算
• 核心问题
  • 数据的存储：分布式文件系统（HDFS）
  • 数据的计算：分布式计算（MapReduce、Spark RDD）

数据仓库

• 传统方式：搭建数据仓库（Data Warehouse）解决大数据问题
• 数据仓库就是一个数据库（Oracle、MySQL、MS）
  • Oracle DBCA
  • 一般只做查询（select）
  • 大数据也是一般只做查询（分析，不修改数据）
  • Hadoop和Spark都可看做数据仓库的一种实现方式
  • Oracle、MySQL是单机版数据库，无法实现分布式集群
  • 搭建过程
    • 数据源
      • RDBMS（结构化数据）
      • 文本、日志等（非结构化数据）
      • 其他数据
    • 数据清洗：抽取、转换、加载数据（ETL）
    • 原始数据保存到数据库（Oracle、MySQL）
    • 处理数据（SQL、JDBC）
    • 处理后的数据保存到数据集市（Oracle、MySQL）
    • 提供给最终用户（系统）

OLTP和OLAP

• OLTP
  • Online Transaction Processing 联机事务处理
  • insert、update、delete
  • 传统关系型数据库解决的问题
• OLAP
  • Online Analytic Processing 联机分析处理，一般只做查询select（分析，不支持事务）
  • 数据仓库是一种OLAP
  • Hadoop、Spark可看做一种数据仓库解决方案

Google三篇论文

• GFS（Google File System）
• 分布式文件系统
  • 硬盘不够大->加硬盘
  • 硬盘不够安全->冗余
• Oracle费用：50万/年/CPU
• 大量使用pc服务器（去掉机箱、外设、硬盘）
• 数据存在内存，速度快，用冗余保证安全
• HDFS：通过数据块传输（128M），水平复制，默认冗余度3
• 机架感知：兼顾安全与效率（HDFS封装）
• 倒排索引（Reverted Index）
  • 数据保存在了哪个硬盘上？
  • 记录数据保存的位置信息（元信息）
  • 索引：目录（索引表，保存行地址，类似书后名词索引按字母顺序排序），提高查询效率（没有索引时需要遍历）
  • 单词保存在哪句话中？分词，建立目录（单词表），记录单词位置信息
  • 可使用MapReduce建立倒排索引

• MapReduce
  • 分布计算模型
  • 问题来源：PageRank（网页排名）
    • 搜索结果中，Rank越高的Page排名越靠前
    • 被指向越多的网页Rank越高
    • 用矩阵记录Rank
    • 用MapReduce计算大矩阵
  • 思想：先拆分、再合并
  • 编程模型
    • MR任务：job=map+reduce
    • Map的输出是Reduce的输入
    • 一个MR任务，一共存在4对输入和输出
      • 所有输入输出都是<key value>形式
      • Map阶段：<k1 v1>输入，<k2 v2>输出
      • Reduce阶段：<k3 v3>输入，<k4 v4>输出
    • k2=k3，v2和v3数据类型一致，v3是一个集合，该集合中的每个值就是v2
      • 如下图v3=(10,18,27)
    • 所有<key value>数据类型必须是Hadoop自己的数据类型
      • IntWritable LongWritable Text NullWritable
      • Hadoop类型实现了Hadoop的序列化机制（Writable接口）
    • 从2.x开始，MR运行在Yarn容器中（类似JSP部署在Tomcat）
      • Yarn=ResourceManager（主节点）+NodeManager（从节点）
    • MR任务处理的数据是HDFS的数据
  • mapreduce实例：/share/hadoop/mapreduce/example
  • web console：localhost:8088/cluster

• BigTable（大表）
  • 关系型数据库
    • 基于关系模型（用二维表保存数据）
    • 行式数据库
    • MySQL、Oracle
    • insert update delete 性能高
  • 常见NoSQL数据库
    • Redis：内存数据库
    • HBase：面向列
    • MongoDB：面向文档（BSON文档：JSON的二进制）
    • select 性能高
  • 核心思想
    • 把所有数据存入一张表
    • 数据冗余
    • 提高性能（空间换时间）
    • 把同样的数据存入Oracle和大表
    • HBase = ZooKeeper + HMaster（主节点） + RegionServer（从节点）

参考

大数据学习路线

https://blog.csdn.net/juan11115/article/details/102834913

https://www.zhihu.com/question/351790709/answer/865237610

http://www.imooc.com/article/270280