大數據（big data），指無法在一定時間範圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
   大數據的定義是4Vs：Volume、Velocity、Variety、Veracity。用中文簡單描述就是大、快、多、真。

• Volume —— 數據量大

  隨著技術的發展，人們收集信息的能力越來越強，隨之獲取的數據量也呈爆炸式增長。例如百度每日處理的數據量達上百PB，總的數據量規模已經到達EP級。

• Velocity —— 處理速度快

  指的是銷售、交易、計量等等人們關心的事件發生的頻率。2017年雙11，支付成功峰值達25.6萬筆/秒、實時數據處理峰值4.72億條/秒。
   
  

• Variety —— 數據源多樣

  現在要處理的數據源包括各種各樣的關系數據庫、NoSQL、平面文件、XML文件、機器日誌、圖片、音視頻等等，而且每天都會產生新的數據格式和數據源。

• Veracity —— 真實性

  諸如軟硬件異常、應用系統bug、人為錯誤等都會使數據不正確。大數據處理中應該分析並過濾掉這些有偏差的、偽造的、異常的部分，防止臟數據損害到數據準確性。

如何學習大數據

 在談到學習大數據的時候，不得不提Hadoop和Spark。

• Hadoop

Hadoop是一個由Apache基金會所開發的分布式系統基礎架構。
用戶可以在不了解分布式底層細節的情況下，開發分布式程序。充分利用集群的威力進行高速運算和存儲。 [1]

Hadoop實現了一個分布式文件系統（Hadoop Distributed File
System），簡稱HDFS。HDFS有高容錯性的特點，並且設計用來部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high
throughput）來訪問應用程序的數據，適合那些有著超大數據集（large data
set）的應用程序。HDFS放寬了（relax）POSIX的要求，可以以流的形式訪問（streaming access）文件系統中的數據。
Hadoop的框架最核心的設計就是：HDFS和MapReduce。HDFS為海量的數據提供了存儲，則MapReduce為海量的數據提供了計算。

簡而言之，Hadoop就是處理大數據的一個分布式系統基礎架構。

• Spark

• Apache Spark 是專為大規模數據處理而設計的快速通用的計算引擎。Spark是UC Berkeley AMP lab (加州大學伯克利分校的AMP實驗室)所開源的類Hadoop MapReduce的通用並行框架，Spark，擁有Hadoop
  MapReduce所具有的優點；但不同於MapReduce的是——Job中間輸出結果可以保存在內存中，從而不再需要讀寫HDFS，因此Spark能更好地適用於數據挖掘與機器學習等需要叠代的MapReduce的算法。
  Spark 是一種與 Hadoop 相似的開源集群計算環境，但是兩者之間還存在一些不同之處，這些有用的不同之處使 Spark
  在某些工作負載方面表現得更加優越，換句話說，Spark 啟用了內存分布數據集，除了能夠提供交互式查詢外，它還可以優化叠代工作負載。
  Spark 是在 Scala 語言中實現的，它將 Scala 用作其應用程序框架。與 Hadoop 不同，Spark 和 Scala
  能夠緊密集成，其中的 Scala 可以像操作本地集合對象一樣輕松地操作分布式數據集。 盡管創建 Spark
  是為了支持分布式數據集上的叠代作業，但是實際上它是對 Hadoop 的補充，可以在 Hadoop 文件系統中並行運行。通過名為 Mesos
  的第三方集群框架可以支持此行為。Spark 由加州大學伯克利分校 AMP 實驗室 (Algorithms, Machines, and
  People Lab) 開發，可用來構建大型的、低延遲的數據分析應用程序。

簡而言之，Spark是那麽一個專門用來對那些分布式存儲的大數據進行處理的工具。

關於Hadoop和Spark學習這塊，我也是個初學者，對於整體的學習路線目前無法給出很好的答案，但是可以推薦一些學習大數據不錯的文章以及相關資源，這些可以在本文底部獲取。

大數據的相關技術介紹

首先看張大數據的整體技術圖吧，可以有個更直觀的了解。

註:Shark 目前已經被Spark SQL取代了。

  看到了這麽多相關技術，是不是眼花了了呢，這上面的技術別說都精通，全部都能用好的估計也多少。
  那麽這些技術應該主要學習那些呢？

先將這些技術做個分類吧。

• 文件存儲：Hadoop HDFS、Tachyon、KFS
• 離線計算：Hadoop MapReduce、Spark
• 流式、實時計算：Storm、Spark Streaming、S4、Heron、Flink
• K-V、NOSQL數據庫：HBase、Redis、MongoDB
• 資源管理：YARN、Mesos
• 日誌收集：Flume、Scribe、Logstash、Kibana
• 消息系統：Kafka、StormMQ、ZeroMQ、RabbitMQ
• 查詢分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、分布式協調服務：Zookeeper、Kylin、Druid
• 集群管理與監控：Ambari、Ganglia、Nagios、Cloudera Manager
• 數據挖掘、機器學習：Mahout、Spark MLLib
• 數據同步：Sqoop
• 任務調度：Oozie

這樣整體之後，對於如何學習是不是有個更明確的路線了呢？

那麽個人覺得初步學習的技術應該有以下這些:

• HDFS

       HDFS（Hadoop Distributed File System，Hadoop分布式文件系統）是Hadoop體系中數據存儲管理的基礎。它是一個高度容錯的系統，能檢測和應對硬件故障，用於在低成本的通用硬件上運行。HDFS簡化了文件的一致性模型，通過流式數據訪問，提供高吞吐量應用程序數據訪問功能，適合帶有大型數據集的應用程序。
  
      HDFS存儲相關角色與功能：
      Client：客戶端，系統使用者，調用HDFS API操作文件；與NN交互獲取文件元數據；與DN交互進行數據讀寫。
      Namenode：元數據節點，是系統唯一的管理者。負責元數據的管理；與client交互進行提供元數據查詢；分配數據存儲節點等。
      Datanode：數據存儲節點，負責數據塊的存儲與冗余備份；執行數據塊的讀寫操作等。

• MapReduce

      MapReduce是一種計算模型，用以進行大數據量的計算。Hadoop的MapReduce實現，和Common、HDFS一起，構成了Hadoop發展初期的三個組件。MapReduce將應用劃分為Map和Reduce兩個步驟，其中Map對數據集上的獨立元素進行指定的操作，生成鍵-值對形式中間結果。Reduce則對中間結果中相同“鍵”的所有“值”進行規約，以得到最終結果。MapReduce這樣的功能劃分，非常適合在大量計算機組成的分布式並行環境裏進行數據處理。

• YARN

    YARN是Hadoop最新的資源管理系統。除了Hadoop MapReduce外，Hadoop生態圈現在有很多應用操作HDFS中存儲的數據。資源管理系統負責多個應用程序的多個作業可以同時運行。例如，在一個集群中一些用戶可能提交MapReduce作業查詢，另一些用戶可能提交Spark 作業查詢。資源管理的角色就是要保證兩種計算框架都能獲得所需的資源，並且如果多人同時提交查詢，保證這些查詢以合理的方式獲得服務。

• SparkStreaming

      SparkStreaming是一個對實時數據流進行高通量、容錯處理的流式處理系統，可以對多種數據源（如Kdfka、Flume、Twitter、Zero和TCP 套接字）進行類似Map、Reduce和Join等復雜操作，並將結果保存到外部文件系統、數據庫或應用到實時儀表盤。

• SparkSQL

     SparkSQL是Hadoop中另一個著名的SQL引擎，正如名字所表示的，它以Spark作為底層計算框架，實際上是一個Scala程序語言的子集。Spark基本的數據結構是RDD，一個分布於集群節點的只讀數據集合。傳統的MapReduce框架強制在分布式編程中使用一種特定的線性數據流處理方式。MapReduce程序從磁盤讀取輸入數據，把數據分解成鍵/值對，經過混洗、排序、歸並等數據處理後產生輸出，並將最終結果保存在磁盤。Map階段和Reduce階段的結果均要寫磁盤，這大大降低了系統性能。也是由於這個原因，MapReduce大都被用於執行批處理任務

• Hive

     hive是基於Hadoop的一個數據倉庫工具，可以將結構化的數據文件映射為一張數據庫表，並提供簡單的sql查詢功能，可以將sql語句轉換為MapReduce任務進行運行。 其優點是學習成本低，可以通過類SQL語句快速實現簡單的MapReduce統計，不必開發專門的MapReduce應用，十分適合數據倉庫的統計分析。

• Impala

     Impala是一個運行在Hadoop之上的大規模並行處理（MPP）查詢引擎，提供對Hadoop集群數據的高性能、低延遲的SQL查詢，使用HDFS作為底層存儲。對查詢的快速響應使交互式查詢和對分析查詢的調優成為可能，而這些在針對處理長時間批處理作業的SQL-on-Hadoop傳統技術上是難以完成的。
      Impala的最大亮點在於它的執行速度。官方宣稱大多數情況下它能在幾秒或幾分鐘內返回查詢結果，而相同的Hive查詢通常需要幾十分鐘甚至幾小時完成，因此Impala適合對Hadoop文件系統上的數據進行分析式查詢。Impala缺省使用Parquet文件格式，這種列式存儲對於典型數據倉庫場景下的大查詢是較為高效的。

• HBase

      一個結構化數據的分布式存儲系統。
      HBase不同於一般的關系數據庫，它是一個適合於非結構化數據存儲的數據庫。另一個不同的是HBase基於列的而不是基於行的模式。
      HBase是一個針對結構化數據的可伸縮、高可靠、高性能、分布式和面向列的動態模式數據庫。和傳統關系數據庫不同，HBase采用了BigTable的數據模型：增強的稀疏排序映射表（Key/Value），其中，鍵由行關鍵字、列關鍵字和時間戳構成。HBase提供了對大規模數據的隨機、實時讀寫訪問，同時，HBase中保存的數據可以使用MapReduce來處理，它將數據存儲和並行計算完美地結合在一起。

• Apache Kylin

      Apache Kylin?是一個開源的分布式分析引擎，提供Hadoop之上的SQL查詢接口及多維分析（OLAP）能力以支持超大規模數據，最初由eBay Inc. 開發並貢獻至開源社區。它能在亞秒內查詢巨大的Hive表。

• Flume

      Flume是Cloudera提供的一個高可用的，高可靠的，分布式的海量日誌采集、聚合和傳輸的系統，Flume支持在日誌系統中定制各類數據發送方，用於收集數據；同時，Flume提供對數據進行簡單處理，並寫到各種數據接受方（可定制）的能力。

參考文章

大數據初步了解
http://lxw1234.com/archives/2016/11/779.htm

大數據雜談
http://lxw1234.com/archives/2016/12/823.htm

推薦文章

零基礎學習Hadoop
http://blog.csdn.net/qazwsxpcm/article/details/78460840

HBase 應用場景
http://blog.csdn.net/lifuxiangcaohui/article/details/39894265

Hadoop硬件選擇
http://bigdata.evget.com/post/1969.html

圖解Spark:核心技術與案例實戰
http://www.cnblogs.com/shishanyuan/category/925085.html

一個大數據項目的架構設計與實施方案
http://www.360doc.com/content/17/0603/22/22712168_659649698.shtml

相關文檔

Hadoop-10-years
鏈接：http://pan.baidu.com/s/1nvBppQ5 密碼：7i7m

Hadoop權威指南
鏈接：http://pan.baidu.com/s/1skJEzj3 密碼：0ryw

Hadoop實戰
鏈接：http://pan.baidu.com/s/1dEQi29V 密碼：ddc7

Hadoop源代碼分析
鏈接：http://pan.baidu.com/s/1bp8RTcN 密碼：ju63

Spark最佳學習路徑
鏈接：http://pan.baidu.com/s/1i5MmJVv 密碼：qfbt

深入理解大數據+大數據處理與編程實踐
鏈接：http://pan.baidu.com/s/1dFq6OSD 密碼：7ggl

版權聲明:
作者：虛無境
博客園出處：http://www.cnblogs.com/xuwujing
CSDN出處：http://blog.csdn.net/qazwsxpcm　　　　
個人博客出處：http://www.panchengming.com
原創不易，轉載請標明出處，謝謝！

大數據的一些相關知識介紹