踏入大数据的第一天，我先入入门

【转行原因】目前数据每天已亿计算，作为 Java程序员的我已经无法使用常规工具对数据进行捕捉、管理和处理这些数据集合。MySQL的存储容量也只有500-1000行数据。而且数据每天还在告诉增长，还不带重样的。还有就是跟着党走，我要搞新基建。所以我来了，我来了,我踏着七彩祥云走来了.....

按顺序给出存储单位：bit、Byte、KB、MB、GB、TB、PB、ZB、YB、BB、NB、DB。

大数据主要是干嘛的：海量数据的存储和海量数据的分析计算问题。en....我是刚入门，不要骂我菜......

一、大数据特点

【1】多样化（variety）：这里包含两个方面，一个是数据来源多样化，就是我们采集的数据通过不同的渠道，不同平台产生的多样化；还有就是数据的结构数据多样，有结构化的和非结构化（视频、图片...）的等等。
【2】大量化（volume）：这个我们比较好了解，毕竟名字就带着这个意思。互联网的发展规模，我们每天通过它产生的数据也是与日俱增，现在我们可能一年里产生的数据量，都能和之前的史上数据相匹敌了，大量化实至名归啊。
【3】高速（velocity）：这里面涉及到大数据的整个流程，比如数据的增长速度，还有我们对数据的处理速度，很多类型的数据我们已经能够做到时时反馈了，刚刚收集到马上就能反过来影响我们的生活。
【4】价值密度低（value）:也就是大数据虽然数量巨大，但是也不是越多越好的，其中有很多都是没意义的，有用的数据就被淹没在这海量的没用数据之中了，而这一点也是大数据技术的工作难点之一，要将那些海量无用的、复杂的数据做深度的分析，从其中挖掘那些对我们来说是有价值的数据。

二、大数据能干啥

【1】物流仓库：大数据分析系统助力商家精细化运营、提升销量、节约成本。
【2】零售：分析用户消费习惯，为用户购买商品提供方便，从而提升商品销量。例如（纸尿裤+啤酒）
【3】旅游：深度结合大数据能力与旅游行业需求，共建旅游产业智慧管理、智慧服务和智慧营销的未来。
【4】商品广告推荐：给用户推荐需要的产品。

三、业务流程分析

​

四、大数据部分组织结构

​
【1】平台组：将框架搭建对数据进行采集，保证每一个框架正常运行。类似运维但比运维高级，同时对框架进行调优和监控。
【2】数据仓库组：根据业务对数据进行分析梳理和筛选垃圾数据。
【3】数据挖掘组：对数据进行深度挖掘，理想的大数据选型。
【4】报表开发组：也就是我现在的职位，给大数据打杂的。

五、Hadoop是什么

Hadoop是一个由 Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。广义上说 Hadoop指一个更广泛的概念（Hadoop生态圈）
​

六、Hadoop的优势

高可靠性：Hadoop底层维护多个数据副本，所以及时Hadoop某个计算元素或存储出现故障，也不会导致数据丢失。
高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。
高效性：在 MapReduce 的思想下，Hadoop是并行工作的，以加快任务处理速度。
高容错性：能够自动将失败的任务重新分配。

七、大数据技术生态体系

​

图中涉及的技术名词解释如下：
【1】Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
【2】Flume：Flume是 Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接收方（可定制）的能力。
【3】Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
   ■ 通过 的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
   ■ 高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。
   ■ 支持通过 Kafka服务器和消费机集群来分区消息。
   ■ 支持 Hadoop并行数据加载。
【4】Storm（淘汰中）：推荐使用Flink，目前比较火。Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
【5】Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于 Hadoop上存储的大数据进行计算。
【6】Oozie：Oozie是一个管理 Hdoop作业（job）的工作流程调度管理系统。
【7】Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
【8】Hive：Hive是基于 Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为 MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的 MapReduce应用，十分适合数据仓库的统计分析。
【10】R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
【11】Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
【12】ZooKeeper：Zookeeper是 Google的 Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。

不说了，该学习Hadoop了