Hadoop讲述.ppt

MapReduce 2.0架构 MapReduce 实现机制—推测执行 作业完成时间取决于最慢的任务完成时间 一个作业由若干个Map任务和Reduce任务构成 因硬件老化、软件Bug等，某些任务可能运行非常慢 推测执行机制 发现拖后腿的任务，比如某个任务运行速度远慢于任务平均速度 为拖后腿任务启动一个备份任务，同时运行 谁先运行完，则采用谁的结果 不建议启用推测执行机制的情况 任务间存在严重的负载倾斜 特殊任务，比如任务向数据库中写数据 大数据处理方案--hadoop 2 目 录 Hadoop1.x系统框架介绍 2.2 总 结 3 Hadoop生态系统介绍 2.2 Hadoop2.x系统框架介绍 2.2 Hadoop基本概念 2.1 背景介绍 1 Hadoop生态系统介绍 Hive：披着SQL外衣的MapReduce。Hive是为方便用户使用MapReduce而在外面包了一层SQL，由于Hive采用了SQL，它的问题域比MapReduce更窄，因为很多问题，SQL表达不出来，比如一些数据挖掘算法，推荐算法、图像识别算法等，这些仍只能通过编写MapReduce完成。 Pig：披着脚本语言外衣的MapReduce，为了突破Hive SQL表达能力的限制，采用了一种更具有表达能力的脚本语言PIG。由于pig语言强大的表达能力，Twitter甚至基于Pig实现了一个大规模机器学习平台。 Stinger Initiative（Tez optimized Hive）：Hortonworks开源了一个DAG计算框架Tez，该框架可以像MapReduce一样，可以用来设计DAG应用程序，但需要注意的是，Tez只能运行在YARN上。Tez的一个重要应用是优化Hive和PIG这种典型的DAG应用场景，它通过减少数据读写IO，优化DAG流程使得Hive速度提供了很多倍。 Hadoop生态系统介绍 Spark：为了提高MapReduce的计算效率，spark可看做基于内存的MapReduce实现，Spark基础上包了一层SQL，产生了一个新的类似Hive的系统Shark，但目前Spark和Shark尚属于实验室产品。 Storm/S4：Hadoop在实时计算/流式计算领域（MapReduce假设输入数据是静态的，处理过程中不能被修改，而流式计算则假设数据源是流动的，数据会源源不断流入系统）一直比较落后；还好，Twitter开源的Storm和yahoo！开源的S4弥补了这一缺点，Storm在淘宝，mediaV等公司得到广泛的应用。 Cloudera Impala/Apache drill：Google Dremel的开源实现，也许是因为交互式计算需求太过强烈，发展迅猛，impala仅用了一年左右便推出1.0GA版本。这种系统适用于交互式处理场景，最后产生的数据量一定要少。Impala尽管发布了1.0版本，但在容错性、扩展性、支持自定义函数等方面，有很长的路要走。 总结 3 目 录 Hadoop1.x系统框架介绍 2.2 大数据处理方案-hadoop 2 Hadoop2.x系统框架介绍 2.2 Hadoop基本概念 2.1 背景介绍 1 Hadoop生态系统介绍 2.2 总 结 Hadoop目前是使用最多的大数据处理方案，较之前的用于离线处理的Mapreduce框架，现在的storm框架已经解决了实时性的问题，同时对迭代计算等相当耗内存的数据处理方面，spark框架也弥补了这个方面的不足。国内的许多企业如百度，淘宝，华为等都在使用基于开源的hadoop源码的系统框架改造，华为更是作为apache贡献者之一。 小结： 离线计算框架：Mapreduce(Tez) 数据实时查询：Hbase 流式/实时计算框架：storm 数据仓库：Hive 内存计算框架：Spark 机器学习：Mahout Thank you ! 第一V是Variety，海量数据有不同格式，第一种是结构化，我们常见的数据，还有半结据化网页数据，还有非结构化视频音频数据。 能够在不同的数据类型中,进行交叉分析的技术,是大数据的核心技术之一.语义分析技术,图文转换技术,模式识别技术,地理信息技术等,都会在大数据分析时获得应用. 第二点就是Volume，量比较大，我们有一些用户化每秒就要进入很多数据，很多客户内部都有几批数据，还有下面淘宝都是几PB数据，所以PB化将是比较常态的情况。 非结构化数据的超大规模和增长，占总数据量的80~90%，比结构化数据增长快10倍到50倍，是传统数据仓库的10倍到50倍 第三个是Velocity，因为数据化