Cloudera hadoop 大数据平台实战指南（1）

1. 大数 据 主要 具有 四方 面的 典型 特征—— 规模 性（ Volume）、 多样性（ Variety）、 高速 性（ Velocity） 和 价值 性（ Value）， 即 所谓 的" 4V"。
2. 大数据时代的关键技术：（1） 大数 据 采集 技术（2） 大 数据 预处理 技术（3） 大数 据 存储 及 管理 技术（4） 大数 据分析 及 挖掘 技术（5） 大 数据 可 视 化 展现 技术
3. 什么是hadoop？Hadoop 最初 是 开 始于 2002 年的 Apache 的 Nutch 项目。 Nutch 是一 个 开源 Java 实现 的 搜索 引擎， 它 遇到 的 难题 是， 在 抓取 Web 数据 时 如何 保存 和 使用 这些 庞大 的 数据。 随后 Google 在 2003 年 发表 了 一篇 技术 学术论文 谷 歌 文件 系统（ GFS, Google File System， 是 Google 公司 为了 存储 海量 搜索 数据 而 设计 的 专用 文件 系统）。 2004 年 Nutch 创始人 Doug Cutting 模仿 Google 的 GFS 论文 实现 了 分布式 文件 存储 系统 NDFS。2004 年 Google 又 发表 了 一篇 技术 学术论文 MapReduce（ 一种 分布式 编程 模型， 用于 大规模 数据 集 的 并行 分析 运算）。 2005 年 Doug Cutting 基于 MapReduce 的 思想， 在 Nutch 搜索 引擎 实现 了 该 功能。 2006 年， Yahoo 邀请 Doug Cutting 加盟， Doug Cutting 将 NDFS 和 MapReduce 升级 命名为 Hadoop。 2008 年 1 月， Hadoop 正式 成为 Apache 的 顶 级 项目， 开始 被 雅 虎 之外 的 其他 公司 使用。 2009 年， Yahoo 使用 4000 节点 的 机群 运行 Hadoop， 支持 广告 系统 和 Web 搜索 的 研究。 Facebook 的 Hadoop 机群 扩展到 数千 个 节点， 用于 存储 内部 日志 数据， 支持 其上 的 数据 分析 和 机器 学习。 淘 宝 的 Hadoop 系统 达到 千 台 规模， 用于 存储 并 处理 电子 商务 的 交易 相关 数据。 Hadoop 改变 了 企业 对 数据 的 存储、 处理 和 分析 的 过程， 加速 了 大 数据 的 发展， 形成 了 自己 非常 火爆 的 技术 生态 圈， 成为 事实上 的 大 数据处理 标准。
4. Hadoop的特点？低成本，高扩展性，高效率，高可靠性
5. Hadoop生态系统？早期 的 Hadoop（ 包括 Hadoop v1. 0 以及 更早 之前 的 版本） 主要 由 两个 核心 组件 构成： HDFS 和 MapReduce。 其中， HDFS 分布式 文件 系统 是 Google GFS 的 开源 版本， MapReduce 分布式 计算 框架 实现 了 由 Google 工程师 提出 的 MapReduce 编程 模型。 还有 一些 围绕 在 Hadoop 周围 的 开源 项目， 为 完善 大 数据处理 的 全 生命 周期 提供 了 必要 的 配套 和 补充。

   这些 软件 常 用的 有

   ZooKeeper（ 分布式 协调 服务）、

   Hive（ 基于 Hadoop 的 数据 仓库 工具）、

   HBase（ 实时 分布式 数据库）、

   Pig（ 数据 流 语言 和 运行 环境）、

   Flume（ 日志 采集 工具）、

   Sqoop（ Hadoop 和 关系 数据库 导入 导出 工具）、

   Mahout（ 数据 挖掘 工具）

   等，

   

   2012 年 5 月， Hadoop v2. 0 版本 发布， 其中 重要的 变化 是在 Hadoop 核心 组件 中 增加 了 YARN， YARN 的 出现 是 为了 把 计算 框架 与 资源 管理 彻底 分离， 解决 Hadoop v1. 0 由此 带来 的 扩展性 差、 单 点 故障 和 不能 同时 支持 多种 计算 框架 的 问题， 至此 Hadoop 与 Google 的 大数 据 平台 比 肩。

6. Cloudera大数据平台简介？Cloudera 提供 一个 可扩展 的、 灵活 的、 集成 的 企业 级 大 数据管理 平台， 可用 来 方便 地 管理 你的 企业 中 快速 增长 的 多种多样 的 数据。 业界 领先 的 Cloudera 产品 和解 决 方案 使 你能 够 部署 并 管理 Apache Hadoop 及其 相关 项目、 操作 和 分析 你的 数据， 以及 保护 数据 的 安全。
7. Cloudera 提供 下列 产品 和 工具？（1） CDH： Cloudera 分发 的 Apache Hadoop 和 其他 相关 开放 源 代码 项目， 包括 Impala 和 Cloudera Search。 CDH 还 提供 安全 保护 以及 与 许多 硬件 和 软件 解决 方案 的 集成。 （2） Cloudera Impala： 一种 MPP（ 大规模 并行 处理） SQL 引擎， 用于 交互式 查询 分析。 它 非常 适合 用于 具有 连接、 聚合 和 子 查询 的 传统 BI 商业 智能 的 查询。 它可 以 查询 来自 各种 源 的 Hadoop 数据 文件， 包括 由 MapReduce 作业 生成 的 数据 文件 或 加载 到 Hive 表中 的 数据 文件。 你 可以 通过 Cloudera Manager 用户 界面 管理 Impala 及其他 Hadoop 组件， 并 通过 Sentry 授权 框架 保护 其 数据。 （3） Cloudera Search： 提供 近 实时 访问 已 存储 的 数据， 或者 摄取 数据 到 Hadoop 以及 HBase 中去。Search 提供 了 近 实时 的 索引、 批量 索引、 全文 检索 和 Drill- Down（ 下钻） 的 导航， 以及 一个 简单 的 全文 检索 的 接口， 只需 要 一些 NoSQL 或者 编程 基础（ 技能） 即可 使用。 完全 集成 的 数据处理 平台 Search 使 用了 在 CDH 中 灵活 的、 可扩展 的、 可靠 的 存储 系统。 这样 就不 再 需要 在 基础 设施 层 或者 业务 层 移动 大量 的 数据 了， 也不 需要 产生 新的 任务。 （4） Cloudera Manager： 一个 复 用于 部署、 管理 和 监控 CDH 大数 据 平台 的 应用 程序。 Cloudera Manager 提供 Admin Console， 这是 一种 基于 Web 的 用户 界面， 使得 企业 数据管理 更加 容易 方便。 Cloudera Manager 易于 升级 和 安装 Hadoop 组件， 还 提供 了 在 几分 钟 之内 建立 集群 主 节点 的 高 可用（ High Availability）。 它 还包括 Cloudera Manager API， 可用 来 获取 群集 运行 状态 信息 以及 配置 Cloudera Manager。 （5） Cloudera Navigator： 定位 为 Hadoop 提供 数据管理 和 监管 的 工具， 它 简化 了 存储 和 密钥 的 管理。 Cloudera Navigator 中 强大 的 数据 审计 和数 据 保护 使 企业 能够 满足 严格 的 规范 限制 并 遵从 相关 法规。