初學大數(shù)據(jù)之傻瓜書

---------大數(shù)據(jù)系列學習之一

網(wǎng)絡上流傳著這么的一句流行語：“萬事不懂問度娘”。自從有了各種搜索引擎，新名詞新技術對大眾而言，已不再神秘。然而，當你搜索“大數(shù)據(jù)”或者“big data solution”等關鍵字時，搜索出的海量相關知識鋪天蓋地，對初學者而言，仍然很難在短時間內(nèi)入門。本文目的，是以傻瓜式提問的方式讓初學者輕松的了解“大數(shù)據(jù)”。

大數(shù)據(jù)的概念

“大數(shù)據(jù)”，是不是----數(shù)據(jù)很大就叫大數(shù)據(jù)？

實際上簡單的這樣理解也沒有錯，在明確定義時，會比較強調(diào)大數(shù)據(jù)的4個V的特性: Volume，Variety，Value，Velocity。也就是：

一、數(shù)據(jù)存儲空間占用大（至PB及以上級別）；

二、數(shù)據(jù)類型繁多；

三、價值密度低；

四、處理速度快。

搜索的信息中，你會發(fā)現(xiàn)有某些名詞出現(xiàn)的頻率非常高，心里也隨之會產(chǎn)生一些疑問�！癙B是多大？”“Map-Reduce是啥？”“Hadoop是啥？”“大數(shù)據(jù)跟云計算啥關系？跟傳統(tǒng)意義的數(shù)據(jù)庫啥關系？”等等。

這么多的信息量，我們還是按照大數(shù)據(jù)的基本定義，四個V來逐一梳理吧。

從第一個V開始，Volume。

數(shù)據(jù)量很大，到底能達到什么程度呢？先來學習一下數(shù)量級的知識吧。

1KB(Kilobyte 千字節(jié)) = 2^10 B = 1024 B；

1MB(Megabyte 兆字節(jié)) = 2^10 KB = 1024 KB = 2^20 B；

1GB(Gigabyte 吉字節(jié)) = 2^10 MB = 1024 MB = 2^30 B；

1TB(Trillionbyte 太字節(jié)) = 2^10 GB = 1024 GB = 2^40 B；

1PB(Petabyte 拍字節(jié)) = 2^10 TB = 1024 TB = 2^50 B；

1EB(Exabyte 艾字節(jié)) = 2^10 PB = 1024 PB = 2^60 B；

1ZB(Zettabyte 澤字節(jié)) = 2^10 EB = 1024 EB = 2^70 B；

1YB(YottaByte 堯字節(jié)) = 2^10 ZB = 1024 ZB = 2^80 B；

1BB(Brontobyte ) = 2^10 YB = 1024 YB = 2^90 B；

1NB(NonaByte ) = 2^10 BB = 1024 BB = 2^100 B；

1DB(DoggaByte) = 2^10 NB = 1024 NB = 2^110 B；

……

“哇！坑爹啊，整出這么多名詞，跟大數(shù)據(jù)都有關系嗎？需要我們掌握嗎？”別激動！其實，KB，MB，GB我們在日常電腦操作中已經(jīng)經(jīng)常碰到了。甚至TB級的大硬盤，也已經(jīng)應用于家用電腦中了。我們所說的“大數(shù)據(jù)”，目前大多產(chǎn)品還處在了立足PB展望EB的級別。后面的那些什么ZB、YB、BB、NB、DB……等，就暫時先當他們是浮云吧~

第二個V, Variety。

關于這一點，百度百科里是這么說的“網(wǎng)絡日志、視頻、圖片、地理位置信息等等”。從專業(yè)一點的角度，我們可以說“大數(shù)據(jù)”中，可以有結構化數(shù)據(jù)，但更多的是大量的非結構化和半結構化數(shù)據(jù)。

結構化和非結構化數(shù)據(jù)是什么意思？

結構化數(shù)據(jù)是指，可以存儲在數(shù)據(jù)庫里，可以用二維表結構來邏輯表達實現(xiàn)的數(shù)據(jù)。

非結構化數(shù)據(jù)，是指不方便用數(shù)據(jù)庫二維邏輯表來表現(xiàn)的數(shù)據(jù)，包括所有格式的辦公文檔、文本、圖片、XML、HTML、各類報表、圖像和音頻/視頻信息等等。

而半結構化數(shù)據(jù)，就是介于完全結構化數(shù)據(jù)（如關系型數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫中的數(shù)據(jù)）和完全無結構的數(shù)據(jù)（如聲音、圖像文件等）之間的數(shù)據(jù)，HTML文檔就屬于半結構化數(shù)據(jù)。它一般是自描述的，數(shù)據(jù)的結構和內(nèi)容混在一起，沒有明顯的區(qū)分。 　　

上述的描述，其實還是有點不明確。用數(shù)據(jù)模型的列表來看，區(qū)別就更清晰一點了：

第三個V，Value。

價值密度低。以視頻為例，連續(xù)不間斷監(jiān)控過程中，可能有用的數(shù)據(jù)僅僅有一兩秒。

第四個V，Velocity。

處理速度快。如此龐大的數(shù)據(jù)量，需要在短時間內(nèi)迅速響應。所使用的技術，當然是有別于傳統(tǒng)的數(shù)據(jù)挖掘技術的。

釋疑解惑

“梳理完了四個V，咋還是云山霧罩的呢？”

下面來回答幾個初學者可能思考到的問題吧!

針對大數(shù)據(jù)的四個V，有沒有什么對應的技術來應對呢？

目前，查詢“大數(shù)據(jù)”，你會發(fā)現(xiàn)度娘給出的各種信息中，Hadoop這個詞出現(xiàn)的很頻繁。而且，很多廠商提供的產(chǎn)品，也都會打上一個標簽：“**產(chǎn)品已經(jīng)并入Hadoop分布式計算平臺，以及將Hadoop引入**產(chǎn)品�！�

什么是Hadoop？

Hadoop是由Apache基金會開發(fā)的一個分布式系統(tǒng)基礎架構。它是一個能夠?qū)Υ罅繑?shù)據(jù)進行分布式處理的軟件框架。用戶可以在不了解分布式底層細節(jié)的情況下，開發(fā)分布式程序，充分利用集群的威力高速運算和存儲。

Hadoop包含了如下子項目：

1. Hadoop Common: 在0.20及以前的版本中，包含HDFS、MapReduce和其他項目公共內(nèi)容，從0.21開始HDFS和MapReduce被分離為獨立的子項目，其余內(nèi)容為Hadoop Common

2. HDFS: Hadoop 分布式文件系統(tǒng) (Distributed File System) － HDFS (Hadoop Distributed File System) 　　

3. MapReduce：并行計算框架，0.20前使用 org.apache.hadoop.mapred 舊接口，0.20版本開始引入org.apache.hadoop.mapreduce的新API 　　

4. HBase: 類似Google BigTable的分布式NoSQL列數(shù)據(jù)庫。

5. Hive：數(shù)據(jù)倉庫工具，由Facebook貢獻。 　　

6. Zookeeper：分布式鎖設施，提供類似Google Chubby的功能，由Facebook貢獻。 　　

7. Avro：新的數(shù)據(jù)序列化格式與傳輸工具，將逐步取代Hadoop原有的IPC機制。 　

8. Pig: 大數(shù)據(jù)分析平臺，為用戶提供多種接口。

作為初學者，我們先撥開一些浮云，看看這里面到底有些什么。有三個主體部分，是我們需要重點關注的：HDFS、MapReduce、HBase。

實際上，Apache Hadoop的HDFS是Google File System（GFS）的開源實現(xiàn)。MapReduce是Google MapReduce的開源實現(xiàn)。HBase是Google BigTable的開源實現(xiàn)。

Hadoop是一個能夠讓用戶輕松架構和使用的分布式計算平臺。它主要有以下幾個優(yōu)點：1高可靠性2高擴展性3高效性4高容錯性。用戶可以輕松地在Hadoop上開發(fā)和運行處理海量數(shù)據(jù)的應用程序。而實際上，很多公司提供的大數(shù)據(jù)產(chǎn)品也是基于Hadoop進行開發(fā)的。

數(shù)據(jù)存儲空間占用大

針對數(shù)據(jù)存儲空間占用大，我們需要用到的是“分布式存儲”。分布式存儲系統(tǒng)，就是將數(shù)據(jù)分散存儲在多臺獨立的設備上。傳統(tǒng)的網(wǎng)絡存儲系統(tǒng)采用集中的存儲服務器存放所有數(shù)據(jù)，存儲服務器成為系統(tǒng)性能的瓶頸，也是可靠性和安全性的焦點，不能滿足大規(guī)模存儲應用的需要。分布式網(wǎng)絡存儲系統(tǒng)采用可擴展的系統(tǒng)結構，利用多臺存儲服務器分擔存儲負荷，利用位置服務器定位存儲信息，它不但提高了系統(tǒng)的可靠性、可用性和存取效率，還易于擴展。

前面我們介紹到的Hadoop，其中的HDFS就是現(xiàn)今最流行的分布式存儲平臺之一。

HDFS原理簡要描述

HDFS(Hadoop Distributed File System),是一個分布式文件系統(tǒng)。HDFS有著高容錯性（fault-tolerent）的特點，并且設計用來部署在低廉的（low-cost）硬件上。它提供高吞吐量（high throughput）來訪問應用程序的數(shù)據(jù)，適合那些有著超大數(shù)據(jù)集（large data set）的應用程序。HDFS放寬了（relax）POSIX的要求（requirements）這樣可以實現(xiàn)流的形式訪問（streaming access）文件系統(tǒng)中的數(shù)據(jù)。

HDFS是一個主從結構的體系，一個HDFS集群是由一個名字節(jié)點，它是一個管理文件的命名空間和調(diào)節(jié)客戶端訪問文件的主服務器，當然還有的數(shù)據(jù)節(jié)點，一個節(jié)點一個，它來管理存儲。HDFS暴露文件命名空間和允許用戶數(shù)據(jù)存儲成文件。 　　

對外部客戶機而言，HDFS 就像一個傳統(tǒng)的分級文件系統(tǒng)�？梢詣�(chuàng)建、刪除、移動或重命名文件，等等。

內(nèi)部機制,是將一個文件分割成一個或多個的塊，這些塊存儲在一組數(shù)據(jù)節(jié)點中。名字節(jié)點(NameNode)操作文件命名空間的文件或目錄操作，如打開，關閉，重命名，等等。它同時確定塊與數(shù)據(jù)節(jié)點的映射。數(shù)據(jù)節(jié)點(DataNode)來負責來自文件系統(tǒng)客戶的讀寫請求。數(shù)據(jù)節(jié)點同時還要執(zhí)行塊的創(chuàng)建，刪除，和來自名字節(jié)點的塊復制指示。這與傳統(tǒng)的 RAID 架構大不相同。塊的大�。ㄍǔ�為 64MB）和復制的塊數(shù)量在創(chuàng)建文件時由客戶機決定。NameNode 可以控制所有文件操作。

HDFS 內(nèi)部的所有通信都基于標準的 TCP/IP 協(xié)議。

數(shù)據(jù)類型繁多

大數(shù)據(jù)處理，有如下需求：對數(shù)據(jù)庫高并發(fā)讀寫的需求、對海量數(shù)據(jù)的高效率存儲和訪問的需求、對數(shù)據(jù)庫的高可擴展性和高可用性的需求。傳統(tǒng)的關系型數(shù)據(jù)庫在此類需求面前束手無策。此時，一個新的概念被引入了----NoSQL。

什么是NoSQL？

NoSQL=Not Only SQL，指的是非關系型的數(shù)據(jù)庫。

非關系型數(shù)據(jù)庫以鍵值對存儲，它的結構不固定，每一個元組可以有不一樣的字段，每個元組可以根據(jù)需要增加一些自己的鍵值對，這樣就不會局限于固定的結構，可以減少一些時間和空間的開銷。

應該說明的是，NoSQL在處理超大量數(shù)據(jù)時性能卓越，而且可以在PC服務器集群上運行，成本低廉，具有高擴展性和實用性。但是，目前大多數(shù)NoSQL是開源項目，沒有供應商正是支持，而且在數(shù)據(jù)完整性等方面遠不如關系型數(shù)據(jù)庫，企業(yè)級應用不多。

HBASE 的原理簡要介紹，如何存儲非結構化數(shù)據(jù)

HBase是一個分布式的、面向列的開源數(shù)據(jù)庫，HBase在Hadoop平臺內(nèi)的結構化數(shù)據(jù)的分布式存儲系統(tǒng)。HBase與傳統(tǒng)關系型數(shù)據(jù)庫的區(qū)別在于，它是一個適合非結構化數(shù)據(jù)存儲的數(shù)據(jù)庫，而且HBase是基于列而不是基于行的模式。

HBase利用Hadoop HDFS作為其文件存儲系統(tǒng)，HBase位于結構化存儲層，HDFS為HBase提供了高可靠性的底層存儲支持；用Hadoop MapReduce來處理海量數(shù)據(jù)，MapReduce為HBase提供了高性能的計算能力；用Hadoop Zookeeper作為協(xié)同服務，Zookeeper為HBase提供了穩(wěn)定服務和failover機制。

HBase數(shù)據(jù)模型如下：

Ø Row Key: 行鍵，Table的主鍵，Table中的記錄按照Row Key排序

Ø Timestamp: 時間戳，每次數(shù)據(jù)操作對應的時間戳，可以看作是數(shù)據(jù)的version number

Ø Column Family：列簇，Table在水平方向有一個或者多個Column Family組成，一個Column Family中可以由任意多個Column組成，即Column Family支持動態(tài)擴展，無需預先定義Column的數(shù)量以及類型，所有Column均以二進制格式存儲，用戶需要自行進行類型轉換。

當Table隨著記錄數(shù)不斷增加而變大后，會逐漸分裂成多份splits，成為regions，一個region由[startkey,endkey)表示，不同的region會被Master分配給相應的RegionServer進行管理。

HBase中有兩張?zhí)厥獾腡able，-ROOT-和.META。

.META.：記錄了用戶表的Region信息，.META.可以有多個regoin

-ROOT-：記錄了.META.表的Region信息，-ROOT-只有一個region

Zookeeper中記錄了-ROOT-表的location

Client訪問用戶數(shù)據(jù)之前需要首先訪問zookeeper，然后訪問-ROOT-表，接著訪問.META.表，最后才能找到用戶數(shù)據(jù)的位置去訪問，中間需要多次網(wǎng)絡操作， client端會做cache緩存。

價值密度低

Mapreduce是在大數(shù)據(jù)中挖掘價值的有效方法

把MapReduce單獨列出來，是有必要的，因為它太重要了。MapReduce是一種編程模型，用于大規(guī)模數(shù)據(jù)集（大于1TB）的并行運算。概念"Map（映射）"和"Reduce（化簡）"，和他們的主要思想，都是從函數(shù)式編程語言里借來的，還有從矢量編程語言里借來的特性。

MapReduce 本身就是用于并行處理大數(shù)據(jù)集的軟件框架。MapReduce 的根源是函數(shù)性編程中的 map 和 reduce 函數(shù)。它由兩個可能包含有許多實例（許多 Map 和 Reduce）的操作組成。Map 函數(shù)接受一組數(shù)據(jù)并將其轉換為一個鍵/值對列表，輸入域中的每個元素對應一個鍵/值對。Reduce 函數(shù)接受 Map 函數(shù)生成的列表，然后根據(jù)它們的鍵（為每個鍵生成一個鍵/值對）縮小鍵/值對列表。

具體分步驟描述為：

1) 在正式執(zhí)行map函數(shù)前，需要對輸入進行“分片”（就是將海量數(shù)據(jù)分成大概相等的“塊”，hadoop的一個分片默認是64M），以便于多個map同時工作，每一個map任務處理一個“分片”。

2) 分片完畢后，多臺機器就可以同時進行map工作了。map函數(shù)要做的事情，相當于對數(shù)據(jù)進行“預處理”，輸出所要的“鍵值”。map對每條記錄的輸出以對的形式輸出。

3) 在進入reduce階段之前，還要將各個map中相關的數(shù)據(jù)（key相同的數(shù)據(jù)）歸結到一起，發(fā)往一個reducer。這里面就涉及到多個map的輸出“混合地”對應多個reducer的情況，這個過程叫做“洗牌”。

4) 接下來進入reduce階段。相同的key的map輸出會到達同一個reducer。reducer對key相同的多個value進行reduce操作，最后一個key的一串value經(jīng)過reduce函數(shù)的作用后，變成了一個value。

處理速度快

MapReduce除了能挖掘大數(shù)據(jù)價值，同時也是一種分布式/并行計算模型。雖然它是一個很好的抽象，但不能有效地解決計算領域的任何問題。為了滿足大數(shù)據(jù)及時響應的特性，數(shù)據(jù)流計算的研究被提上了日程。實時計算方向重要的一個模塊就是實時數(shù)據(jù)流計算。

在數(shù)據(jù)流模型中，需要處理的輸入數(shù)據(jù)（全部或部分）并不存儲在可隨機訪問的磁盤或內(nèi)存中，但它們卻以一個或多個“連續(xù)數(shù)據(jù)流”的形式到達。數(shù)據(jù)流不同于傳統(tǒng)的存儲關系模型，主要區(qū)別有如下幾個方面：

流中的數(shù)據(jù)元素在線到達；

系統(tǒng)無法控制將要處理的新到達的數(shù)據(jù)元素的順序，無論這些數(shù)據(jù)元素是在一個數(shù)據(jù)流中還是跨多個數(shù)據(jù)流；也即重放的數(shù)據(jù)流可能和上次數(shù)據(jù)流的元素順序不一致；

數(shù)據(jù)流的潛在大小也許是無窮無盡的；

一旦數(shù)據(jù)流中的某個元素經(jīng)過處理，要么被丟棄，要么被歸檔存儲。因此，除非該數(shù)據(jù)被直接存儲在內(nèi)存中，否則將不容易被檢索。相對于數(shù)據(jù)流的大小，這是一種典型的極小相關。

數(shù)據(jù)流模型中的操作并不排除傳統(tǒng)關系型數(shù)據(jù)的存在。通常，數(shù)據(jù)流操作將建立數(shù)據(jù)流和關系型數(shù)據(jù)的聯(lián)系。在數(shù)據(jù)流處理過程中，更新存儲關系的同時可能會產(chǎn)生傳輸處理問題。

近年來，業(yè)界出現(xiàn)了不少實時數(shù)據(jù)流計算系統(tǒng)，雖然沒有一個類似于Hadoop的集大成者，但是也都各具特色。由于網(wǎng)絡數(shù)據(jù)的不斷膨脹和用戶需求的不斷涌現(xiàn)，近年來互聯(lián)網(wǎng)企業(yè)開始廣泛研究和使用數(shù)據(jù)流處理，誕生了Yahoo! S4、Twitter Storm、IBM StreamBase、Facebook的Puma/Puma2 及學術界開源的Borealis等系統(tǒng)。

大數(shù)據(jù)是云計算嗎？

如果有人問你這句話，你看完本文，可以很自信的回答他“Absolutely！”

為了回答這個問題，我們有需要引入一個概念----云計算是什么。

維基百科給云計算下的定義：云計算將IT相關的能力以服務的方式提供給用戶，允許用戶在不了解提供服務的技術、沒有相關知識以及設備操作能力的情況下，通過Internet獲取需要服務。

中國云計算網(wǎng)將云定義為：云計算是分布式計算（Distributed Computing）、并行計算（Parallel Computing）和網(wǎng)格計算（Grid Computing）的發(fā)展，或者說是這些科學概念的商業(yè)實現(xiàn)。

云計算分為三個層次：基礎設施即服務（IaaS），平臺即服務（PaaS）和軟件即服務（SaaS）。

“在說什么，云啊云啊，好多的云啊，好大的棉花糖啊~~”

云計算的核心技術是海量數(shù)據(jù)分布式存儲和海量數(shù)據(jù)分布式計算，現(xiàn)在云計算系統(tǒng)主要采用Map-Reduce模型。

“Map-Reduce？哪里看到過？”沒錯，在前面對大數(shù)據(jù)的解讀的時候，我們就已經(jīng)明確描述過這一段。終于看到熟悉的內(nèi)容了，無比興奮啊。

實際上，云計算的數(shù)據(jù)存儲技術主要有谷歌的非開源的GFS（Google File System）和 Hadoop 開發(fā)團隊開發(fā)的GFS的開源實現(xiàn)HDFS（Hadoop Distributed File System）。大部分IT廠商，包括yahoo、Intel的“云”計劃采用的都是HDFS的數(shù)據(jù)存儲技術。

通過對簡單的云計算的定義及技術分析，加上前面我們對大數(shù)據(jù)的了解，不難得出結論，大數(shù)據(jù)當然是可以歸為云計算的范疇。

應用領域有哪些？

說些我們熟知的地方吧，哪些我們接觸到的地方用到了Hadoop?

要回答這個問題，舉幾個例子，很容易。在國內(nèi)，包括中國移動、百度、網(wǎng)易、淘寶、騰訊、金山和華為等眾多公司都在研究和使用它。

行業(yè)動態(tài)及展望

“大數(shù)據(jù)”的影響，增加了對信息管理專家的需求，甲骨文，IBM，微軟和SAP花了超過15億美元的在軟件智能數(shù)據(jù)管理和分析的專業(yè)公司。這個行業(yè)自身價值超過1000億美元，增長近10%，大數(shù)據(jù)已經(jīng)出現(xiàn)，因為我們生活在一個社會中有更多的東西。有46億全球移動電話用戶有1億美元和20億人訪問互聯(lián)網(wǎng)�；�本上，人們比以往任何時候都與數(shù)據(jù)或信息交互。1990年至2005年，全球超過1億人進入中產(chǎn)階級，這意味著越來越多的人，誰收益的這筆錢將成為反過來導致更多的識字信息的增長。思科公司預計，到2013年，在互聯(lián)網(wǎng)上流動的交通量將達到每年667艾字節(jié)。

最早提出“大數(shù)據(jù)”時代已經(jīng)到來的機構是全球知名咨詢公司麥肯錫。麥肯錫在研究報告中指出，數(shù)據(jù)已經(jīng)滲透到每一個行業(yè)和業(yè)務職能領域，逐漸成為重要的生產(chǎn)因素；而人們對于海量數(shù)據(jù)的運用將預示著新一波生產(chǎn)率增長和消費者盈余浪潮的到來。

麥肯錫的報告發(fā)布后，大數(shù)據(jù)迅速成為了計算機行業(yè)爭相傳誦的熱門概念，也引起了金融界的高度關注。隨著大數(shù)據(jù)時代的全面開啟，你是否做好了充分的準備迎接這個時代的到來呢？

作者：華通科技 徐文卓