|
作者：吴大迪 本文由 微信公众号星环科技 授权发布 不少读者反馈本号的内容太专业、太技术，虽然很想看懂点什么，但是满眼的专有名词，心累! 为了和广大吃瓜群众融为一体，我们特别推出了《白话大数据》系列，从此麻麻再也不用担心我看不懂啦，今天先推第一集《Hadoop究竟是个什么鬼》
所以充满了使命感的我们，是时候站出来解释一下了!! 1 建立在大数据背景之下 当然，要解释清楚什么是Hadoop那得要从大数据说起。 在20多年前，也就是上个世纪90年代，数据大量产生(也并不是之前没有这么多数据，而是由于科学技术的原因，这些日常生活中的数据转瞬即逝并没有被人们记录下来)这个“大量产生”有多么夸张呢，现在的数据量相当于之前数据量的上百上千倍! 数据如此快速地增长势必带来一些问题，我们先来做一道小学3年级的应用题，请听题： 90年代的数据量相当于10个零件，一个小朋友1分钟走一趟搬1个零件，花10分钟可以搬走这些零件;90年代以后的数据量相当于10000个零件，这个小朋友也长大了，他1分钟走一趟可以搬4个零件，那么要搬走这些零件要花多长时间呢? 答案是2500分钟! 也就是说，数据读取技术的发展完全跟不上数据量的增长速度啦! 于是聪明的我们就用到了分布式——是整个Hadoop的核心思路。 2 运用分布式解决单体能力有限的问题 什么是分布式?一个很浅显的道理，我们完全没必要培养一个1分钟能搬100个人零件的壮汉，那也不太现实1个人搬零件搬得太慢我们可以请10个人呀，再不行就请100个人、1000个人，这就是所谓的分布式。 但随着零件数的增加问题，如何处理好这么多零件呢? 3 Hadoop核心设计：HDFS和MapReduce 我们首先要分配好这些零件。大数据时代我们面临的是以TB、PB甚至EB为单位的数据，因此，我们需要建立一个既能存的下如此大量的数据，而且还能高速高效地读写文件的文件管理系统——HDFS。HDFS也就是Hadoop分布式文件系统，将一份巨型的文件分散到多台存储设备中，并配合一个调度程序来管理这些文件。那么HDFS是如何运作的呢?先听个故事某零件厂的老板(客户Client)手里有一大批零件要存放。然而一个单独的仓库根本无法存放如此之多的零件。于是老板想到了建立一个仓库集群(HDFS)，把自己的零件分批存放在不同的仓库(主机host)里，再建立一个覆盖所有仓库的管理系统。
具体的流程图是这样的：
当文件都通过HDFS存放好之后，我们就要考虑如何来利用这些数据了。人们常常通过数据之间的关联来挖掘出数据中的潜在价值，而杂乱无章的数据会对数据挖掘产生很大的阻碍。这时候就需要建立一个编程模型来对数据进行排序整理，这就是Hadoop的另一个核心——Mapreduce。我们再来看另外一个故事：
总体说来，HDFS是Hadoop的储存基础，是数据层面的，提供储存海量数据的方法(分布式储存)。而MapReduce，是一种引擎或是一种编程模型，可以理解为数据的上一层，我们可以通过编写MapReduce程序对HDFS中海量的数据进行计算处理(分布统计整合)。这就类似于我们通过MapReduce(读取)所有文件(HDFS)并进行统计，从而找到我们想要的结果。所以说Hadoop是一种能帮助我们大量储存数据并且能处理数据的工具。 (好像又很多名词了........) 其实HDFS和MapReduce仅仅只是Hadoop最基础的部分(其余的我们会在后续的文章中慢慢提到)。Hadoop从2006年诞生至今的十年里，已经经历了数次更新，更是开发出了多种延伸功能。各种以Hadoop为基础开发产品的公司早已遍布世界各地，各种Hadoop技术应用的案例也是数不胜数。所以小编想告诉大家：不要将Hadoop想象得遥不可及，Hadoop早已成为我们生活的一部分。 文章来源36大数据，www.36dsj.com ，微信号dashuju36 ，36大数据是一个专注大数据创业、大数据技术与分析、大数据商业与应用的网站。分享大数据的干货教程和大数据应用案例，提供大数据分析工具和资料下载，解决大数据产业链上的创业、技术、分析、商业、应用等问题，为大数据产业链上的公司和数据行业从业人员提供支持与服务。 End. |
|
|
