大数据复习

我会带着你远行 2022-01-15 03:21 212阅读 0赞

# 大数据复习 #

## 大数据概述 ##

三次信息化浪潮的标志及解决的关键问题

<table> 
 <thead> 
  <tr> 
   <th>信息化浪潮</th> 
   <th>发生时间</th> 
   <th>特点</th> 
   <th>标志</th> 
   <th>解决问题</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>第一次浪潮</td> 
   <td>1980</td> 
   <td>数字化</td> 
   <td>个人计算机</td> 
   <td>信息处理</td> 
  </tr> 
  <tr> 
   <td>第二次浪潮</td> 
   <td>1995</td> 
   <td>网络化</td> 
   <td>互联网</td> 
   <td>信息传输</td> 
  </tr> 
  <tr> 
   <td>第三次浪潮</td> 
   <td>2010</td> 
   <td>智能化</td> 
   <td>物联网、云计算和大数据</td> 
   <td>信息爆炸</td> 
  </tr> 
 </tbody> 
</table>

信息科技需要解决的最核心的三个问题：信息存储、信息传输和信息处理

数据产生方式经历的三个阶段：运营式系统阶段、用户原创内容阶段、感知式系统阶段

数据发展经历的三个阶段

<table> 
 <thead> 
  <tr> 
   <th>阶段</th> 
   <th>时间</th> 
   <th>内容</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>萌芽期</td> 
   <td>上世纪90年代至本世纪初</td> 
   <td>随着数据挖掘理论和数据库技术的逐步成熟，一批商业智能工具和知识管理技术开始被应用，如数据仓库、专家系统、知识管理系统等。</td> 
  </tr> 
  <tr> 
   <td>成熟期</td> 
   <td>本世纪前十年</td> 
   <td>Web2.0应用迅猛发展，非结构化数据大量产生，传统处理方法难以应对，带动了大数据技术的快速突破，大数据解决方案逐渐走向 成熟，形成了并行计算与分布式系统两大核心技术，谷歌的GFS和MapReduce等大数据技术受到追捧，Hadoop平台开始大行其道</td> 
  </tr> 
  <tr> 
   <td>大规模应用期</td> 
   <td>2010年以后</td> 
   <td>大数据应用渗透各行各业，数据驱动决策，信息社会智能化程度大幅提高</td> 
  </tr> 
 </tbody> 
</table>

大数据特征及其含义

大数据是无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。其特征是数据容量大、处理速度快、处理速度快、数据类型多、价值密度低。

人类科学研究上先后经历的四种范式：批处理计算、流计算、图计算、查询分析计算

大数据的基本处理流程有哪几个环节：IT基础设施层、数据源层、数据管理层、数据分析层、数据平台层、数据应用层

大数据处理最核心的两大技术：分布式存储、分布式处理

大数据产业主要涉及哪几个层面：数据采集、数据存储和管理、数据处理与分析、数据隐私和安全

大数据、云计算和物联网三者之间的区别与联系：云计算、大数据和物联网代表了IT领域最新的技术发展趋势，三者相 辅相成，既有联系又有区别

## 大数据处理架构Hadoop ##

Hadoop的特性

*  高可靠性：：冗余副本机制与容错机制
 *  高效性：利用集群做计算
 *  高可扩展性：仅仅通过增加节点就可
 *  高容错性：多副本机制
 *  成本低：节点可使用低端PC机
 *  支持多平台：主要运行在Linux上，也支持Windows
 *  支持多种编程语言：如java、C、C++、python

Hadoop两个版本的本质区别：Hadoop 2.0完全不同于Hadoop 1.0，是一套全新的架构，包含HDFS Federation和YARN两个系统

实际应用时，如何选择Hadoop版本

*  是否开源(即是否免费)
 *  是否有稳定版
 *  是否经实践检验
 *  是否有强大的社区支持

Hadoop主要组件的作用与特征

![屏幕快照 2019-06-12 15.11.15.png][2019-06-12 15.11.15.png]

HDFS（Hadoop Distributed File System）：由数百或数千个存储着文件数据片段的服务器组成，适合批量处理，提供了高可靠性、高扩展性和高吞吐率的数据存储服务

YARN（Yet Another Resource Negotiator）：资源管理和调度器，负责集群资源的统一管理和调度，Hadoop 2.0新增系统，减轻1.0版MapReduce的处理负担，使得多种计算框架可以运行在一个集群中

MapReduce：一种编程模型，可完成基于集群的高性能并行计算，具有易于编程、高容错性和高扩展性等优点

Tez：运行在YARN之上支持DAG（有向无环图）作业的Hadoop查询处理框架，可以将多个有依赖的作业转换为一个作业从而大幅提升DAG作业的性能

Spark：类似于Hadoop MapReduce的通用并行框架，基于内存计算（MapReduce是基于磁盘的），性能比MapReduce高一个数量级

Hive：Hadoop上的数据仓库，数据计算使用MR，数据存储使用HDFS，定义了一种类SQL查询语言HQL对数据进行处理，类似SQL但不完全相同

Pig：基于hadoop的大规模数据分析平台，提供类似SQL的查询语言Pig Latin进行流数据处理，相对于MapReduce，Pig是一个轻量级的编程语言，目的是响应对半结构化数据（如日志文件）的查询

Oozie：Hadoop上的工作流管理系统，将工作氛围多个工作环节，用工作流来进行管理

Zookeeper：提供分布式协调一致性服务，对集群饭不是锁进行管理

Hbase：Hadoop上的非关系型的分布式、列式存储数据库，支持对十几亿行上百万列的超大型数据库的随机读写与实时应用

Flume：一个高可用、高可靠、分布式的海量日志采集、聚合和传输的系统

Sqoop：一款开源的工具，用于在Hadoop于传统数据库之间进行数据交换

Ambari：Hadoop快速部署工具，支持Apache Hadoop集群的供应、管理和监控

## 分布式文件系统HDFS ##

计算机集群结构：由以交换机相连接的、内部包含多个计算机节点的多个机架组成

HDFS的体系结构组成及其特点：HDFS采用了主从结构模型，一个HDFS集群包括一个名称节点（NameNode）和若干个数据节点（DataNode）

HDFS名称节点包含的两个核心数据结构

*  FsImage 用于存储元数据(如访问权限、块大小、文件系统树以及文件树中所有的文件和文件夹等)
 *  EditLog中记录所有针对文件的创建、删除、重命名等操作

第二名称节点的作用:第二名称节点是HDFS架构中的一个组成部分，用来保存名称节点中对HDFS元数据信息的备份，减少名称节点重启的时间,解决名称节点运行期间EditLog不断变大的问题,一般是单独运行在一台机器上

HDFS设计上的局限性

*  不支持低延迟数据访问
 *  无法高效存储大量小文件
 *  不支持多用户写入及任意修改文件

HDFS的块及其与文件的关系：HDFS默认一个块64MB，一个文件被分成多个块，以块作为存储单位，块的大小远远大于普通文件系统，可以最小化寻址开销

HDFS存储原理

*  冗余数据保存（多副本）
 *  数据存取策略
 *  数据错误与恢复

## NoSQL与云数据库 ##

通过对比分析了解关系数据库与NoSQL数据库各自的优势与劣势

NoSQL的特点：灵活的可扩展性、灵活的数据模型、与云计算紧密结合

关系数据库的劣势：无法满足海量数据的管理需求、数据高并发的需求、高扩展性和高可用性需求

关系数据库

优势:以完善的关系代数理论作为基础，有严格的标准，支持事务ACID四性，借助索引机制可以实现高效的查询，技术成熟，有专业公司的技术支持

劣势:可扩展性较差，无法较好支持海量数据存储，数据模型过于死板、无法较好支持Web2.0应用，事务机制影响了系统的整体性能等

NoSQL数据库

优势:可以支持超大规模数据存储，灵活的数据模型可以很好地支持Web2.0应用，具有强大的横向扩展能力等

劣势:缺乏数学理论基础，复杂查询性能不高，大都不能实现事务强一致性，很难实现数据完整性，技术尚不成熟，缺乏专业团队的技术  
支持，维护较困难等

NoSQL包含哪四大类型：键值数据库、列族数据库、文档数据库和图形数据库

键值数据库、列族数据库的数据模型与优缺点是什么?

*  键值数据库
    
     *  优点：扩展性好，灵活性好，大量写操作时性能高
     *  缺点：无法存储结构化信息，条件查询效率较低
 *  列族数据库
    
     *  优点：查找速度快，可扩展性强，容易进行分布式扩展，复杂性低
     *  缺点：功能较少，大都不支持强事务一致性

文档数据库不同与键值数据库之处是什么?

*  数据是不规则的:每一条记录包含了所有的有关“SequoiaDB”的信息而没有任何外部的引用，这条记录就是“自包含”的
 *  数据迁移很容易:因为这条记录的所有信息都包含在里面了，不需要考虑 还有信息在别的表没有一起迁移走
 *  ACID保证与读写速度快:因为在移动过程中，只有被移动的那一条记录(文档)需要操作，而不像关系型中每个有关联的表都需要锁住来保证一致性

了解基于图形数据库的特点和其典型应用

*  优点：灵活性高，支持复杂的图形算法可用于构建复杂的关系图谱
 *  缺点：复杂性高，只能支持一定的数据规模
 *  典型应用：专门用于处理具有高度相互关联关系的数据，比较适合于社交网络、模式识别、依赖分析、推荐系统以及路径寻找等问题

基于CPA理论，一个分布式系统不可能同时满足哪几个特性?

一个分布式系统不可能同时满足一致性©、可用性(A)和分区容忍性§这三个需求，最多只能同时满足其中两个

ACID与BASE的基本含义是什么?

ACID：原子性、一致性、隔离性、持久性

BASE：基本可用、软状态（柔性事务）、最终一致性

BASE的“基本可用”最核心的特点是什么?

指一个分布式系统的一部分发生问题变得不可用时，其他部分仍然可 以正常使用，也就是允许分区失败的情形出现

BASE的“软状态”最核心的特点是什么?

“软状态”是指状态可以有一段时间不同步，具有一定的滞后性

NewSQL的两个显著共同特征是什么：都支持关系数据模型，都是用SQL作为其主要接口

云数据库是一种什么样的数据库?

*  是部署和虚拟化在云计算环境中的数据库。
 *  是在云计算的大背景下发展起来的一种新兴的共享基础架构的方法
 *  它极大地增强了数据库的存储能力，消除了人员、硬件、软件的重复配置，让软、硬件升级变得更加容易
 *  具有高可扩展性、高可用性、采用多租形式和支持资源有效分发等特点

## MapReduce ##

MapReduce处理数据所采用的策略是什么：采用“分而治之”策略存储在分布式文件系统中的大规模数据集，会被切分成许多独立的分片(split)，这些分片可以被多个Map任务并行处理

采用上述策略的主要目的是什么：设计理念是“计算向数据靠拢”而非“数据向计算靠拢”，因为移动数据需要大量的网络传输开销

MapReduce采用的是什么框架：其框架采用主/从(Master/Slave)架构，包括一个Master和若干个Slave，Master上运行JobTracker，Slave上运行TaskTracker

MapReduce体系结构由哪四个部分组成：Client、JobTracker、TaskTracker、Task

MapReduce模型的两个核心函数是什么?

*  Map
    
    1.  将小数据集进一步解析成 一批<key,value>对，输入 Map函数中进行处理
    2.  每一个输入的<k1,v1>会输出 一批<k2,v2>。<k2,v2>是计算 的中间结果
 *  Reduce
    
    输入的中间结果<k2,List(v2)> 中的List(v2)表示是一批属于 同一个k2的value

Map处理前的数据分片(split)与HDFS数据块(block)之间是什么关系?

HDFS以block为基本单位存储数据，而MapReduce处理单位是split，split是一个逻辑概念，它只包含一些元数据信息，如数据起始位置、长度、所在节点等。它的划分方法完全由用户自己决定，一个split可跨越不同的block。每个分片会产生一个Map任务

## Hive ##

什么是数据仓库：数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。

传统数据仓库面临哪些挑战

*  无法满足快速增长的海量数据存储需求
 *  无法有效处理不同类型的数据
 *  计算和处理能力不足

Hive自身存储与处理数据吗：某种程度上可以看作是用户编程接口，本身不存储和处理数据

Hive的数据存储与处理数据分别依赖于什么：依赖分布式文件系统HDFS存储数据，依赖分布式并行计算模型MapReduce处理数据

Hive具有的什么特点导致其适用于数据仓库：采用批处理的方式处理海量数据，提供适合数据仓库操作的工具

Hive系统框架由哪三个部分组成：用户接口模块、驱动模块和源数据存储模块

## Spark ##

什么是spark：Spark是基于内存计算的大数据并行计算框架，使用简练、优雅的Scala语言编写，基于Scala提供了交互式编程体验，可用于构建大型的、低延迟的数据分析应用程序