初识大数据
初识大数据
大数据已经火了有两年了，第一篇相关的博客，实在是有些懒散，虽然工作中没有用到，但这是一个趋势，不仅仅是搞IT的，各行各业在未来都会与大数据有关系。
去年已经读过《大数据时代》这本书，印象中比较深的还有几点：
- 大数据时代人们不一定点找到因果关系，大数据会挖掘出事物之间的相关关系。这一点是思维方法的一个根本的转变，在一些情况下，只需要知道相关关系就能够创造价值。
- 不是抽样调查，而是全部数据。抽样调查要求对样本精心挑选，容错性差。而大数据时代，可以对全部能获得到的数据进行分析，允许存在一些错误的数据。抽样在一定程度上并不可靠，英国脱欧是一个“绝大多数”人没想到的情况。当数据达到一定规模的时候，个别的“错误”数据并不会影响最后的结果。
- 并不是精确的结构化的数据。绝大多数的数据为非结构化的，但是也能够通过一定的分析手段从中提取出重要的信息。
- 此外，罗胖子的一个观点，阿里，腾讯，并不是一个简单的购物社交的公司，从将来来看，是数据公司。数据将是他们未来的核心竞争力。而且现在阿里已经在使用它们的数据向外提供服务了，只不过目前应用不多，例如可以提供某个关键词的检索量。
说大数据，立刻会联想的关键词Hadoop、MapReduce、HDFS、Hive、Spark，此外一些相关的软件中间件技术消息队列Kafka、ActiveMQ，关系数据库Radis，爬虫Scrapy，目前流行的docker，Google开源的Tensorflow等。新框架新技术实在太快，可惜工作中很少用到，对此类技术框架以后在这个云计算&大数据的分类中记录下自己的所想所得。
Hadoop家族概况
关于云，想起一句项目管理中的话“项目管理中最重要的是组织论”，云本质上也是一种组织的方法论。 直接引用官网上的原文（作为一个程序员，阅读英文资料的能力越来越重要了）：
貌似家族还在扩充，hadoop是一个framework，基本的模块是mapreduce，hdfs，yarn。写此文的时，hadoop已经更新到了3.0版本。每个版本差别很大，而且对应的组建也会有要求对应版本。hadoop的思想是从Google的三篇论文来的，《The Google File System》、《Google-MapReduce》、《Google-Bigtable》下载地址如下：
其中Google File System对应HDFS，Google-MapReduce对应hadoop的MapReduce，Google-Bigtable对应的是另外一个很火的HBase，一个Nosql的数据库。至于yarn是一个资源管理的项目，貌似是2.6之后才加入的。可以说基本思想是Google奠定的，但是Google没有全部开源。而是apache形成了整个的hadoop生态。
用简单几句话说明下自己的理解，当然会不全面，甚至有偏差，但是可以快速的帮助理解。首先，共同的一点，基本上都是可扩展的。 MapReduce:计算框架。使用map和reduce两个操作抽象分布式数据计算， HDFS:文件存储系统，相当于window上的fat32或NTFS。 Yarn：资源管理，任务调度。HDFS+Yarn组成了“分布式操作系统”的基础。 HBase：数据库，“versioned, non-relational database ”，带有“版本”的，非关系型的数据库 Hive：不是真正的数据库，可以理解为为了更方便的使用MapReduce而封装的类sql解释器，简单说，给不用或不会编程用的。 Pig：与Hive类似，做数据分析用的，更接近编程语言，给初步的开发分析人员用的。 Spark：与MapReduce类似，计算框架。 Tez：DAG（有向无环图）计算框架。 Zookeeper：提供协调管理服务，例如保证只有一个master（选举算法），记录一些状态。 Avro: 管理配置hadoop的工具。 Ambari:序列化服务。 Cassandra:数据库，貌似有赶超HBase之趋势 Mahout:算法库。 Chukwa:采集数据用。
MapReduce
“MapReduce is a programming model and an associated implementation for processing and generating large datasets.Users specifya map function that processes a key/value pair to generate a set of intermediate key/value pairs,and a reduce function that merges all intermediate values associated with the same intermediate key.Many real world tasks are expressible in this model,as shown in the paper.”
- 使用商用的普通PC，支持大规模的聚集（上千）。
- 封装了并行处理、容错、负载均衡、数据分布式存储。 3.分布式时候，网络带宽为一个瓶颈，把计算与待处理的数据放在同一个pc上能够减少网络的带宽使用，提高效率。So，MapReduce的直接性能影响是磁盘IO与网络带宽，cpu和内存影响相对较小。 参考Google的论文 《MapReduce_Simplified_Data_Processing_on_Large_Clusters》
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。”可以与Radis与H2对比，H2可以把Radis中的关键字段拿出来，组成一张表，然后进行关系数据库的sql操作。hive也是通过一层封装，文件到表映射方法也提供了，然后提供一些额外的方便简单的统计功能。
为什么Had0op不直接提供类似的功能？与Radis的理念感觉一样，只实现部分擅长的功能，其他的如果需要再去加上一层。同样的，操作系统的内核肯定不会提供播放视频的功能，只是一些最最基础高效的系统调用。
hive与Hbase区别？简单点来说，hive只是一个sql解释层，没有真正的存储数据。而hbase是一个真正意义上的NoSql数据库。 Hbase主要处理的是OLTP，从CAP定理分析，Hbase满足了C+P，P是必须满足的，分区容错性如果满足不了还搞啥分布式。 Hbase与Mysql比，应该说Nosql数据库与RDBMS相比，Nosql更多的是处理非结构化的数据的。
Kafka
“Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。”——一个新的消息队列“系统”，特点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。解决大数据采集时消息快速持久化的问题。
ElasticSearch
ElasticSearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。Elasticsearch是用Java开发的，并作为Apache许可条款下的开放源码发布，是当前流行的企业级搜索引擎。解决大数据的时候查找搜索的问题，特点么“Elastic”与Spark中RDD的“Resilient”意思一样“弹性”，规模能够方便的扩充和缩小，其中“缩小”包括节点意外挂掉的时候处理的容错能力。
Spark
加州大学博士的论文上所述，是一个“大型集群上的快速和通用数据处理架构”，“快速”与“通用”是他的最显著特点。以前的数据处理很多是针对特定的场景的，而spark能够应用的场景更加多一些。其实这两个特点是因为它所应用的数据模型RDD。这个RDD特性自己目前理解，用多个对数据集的操作抽象计算任务、闭包（有数据和操作，但是不是立即执行）、用cpu（重复计算）换取一定流量（中间数据的生成并在HDFS上的拷贝）。
Tensorflow
一个Google开源的系统，类似Android。从自己的角度看，就是一个深度学习算法的Python库，当然不只是用Python实现的，要求效率的部分是用C++实现的。
Docker
Docker是虚拟化相关的技术，云部署的时候可能会用到，暂且算个吧。看了很多文章，最多提到的比喻就是标准集装箱了。docker最重要的解决的问题就是部署运维的问题。先看没有集装箱之前，需要很多搬运工人从轮船上一件一件卸载货物，不仅仅消耗人力，更重要的是浪费时间，而很多货轮都是贷款买的，一个小时的成本可能上百万。so，有人发明了集装箱，一个大的盒子，卸货时直接用机械整箱下货，放到预先准备的场地，大大提到了效率。
有几个关键点，首先集装箱是“标准的”，这样在各个码头才有对应的机械与场地，相应的，docker中对应的是一个标准的容器，从外部来看，容器是标准的，当然容器内部也有一些标准的，如果从应用部署的角度看，容器内部是定制过的。标准的好处就是移植性好，当然目前局限在linux64位能够安装docker的机器上。
还有个镜像的概念，从原理上，与操作系统的镜像是一个概念，但是里面的内容有很多不同。几个简单的docker镜像可以只有应用程序，然后制定一个基础操作系统镜像。当然，这个“操作系统镜像”也与安装操作系统时候的不一样，会进行一些裁剪，只有一些必须的安装的库。
与操作系统的镜像相比，这个docker镜像也是只读的，不能随便修改的，可以说是静态的，通过镜像可以生成一个容器，容器是动态的，运行时的，而且——非常快，搞个容器跟搞个稍微大些的对象差不多。