Stay foolish：初學(xué)者輕松了解“大數(shù)據(jù)”

　　網(wǎng)絡(luò)上流傳著這么的一句流行語：“萬事不懂問度娘”。自從有了各種搜索引擎，新名詞新技術(shù)對大眾而言，已不再神秘。然而，當(dāng)你搜索“大數(shù)據(jù)”或者“big data soluTIon”等關(guān)鍵字時，搜索出的海量相關(guān)知識鋪天蓋地，對初學(xué)者而言，仍然很難在短時間內(nèi)入門。本文目的，是以傻瓜式提問的方式讓初學(xué)者輕松的了解“大數(shù)據(jù)”。

　　大數(shù)據(jù)的概念

　　“大數(shù)據(jù)”，是不是----數(shù)據(jù)很大就叫大數(shù)據(jù)？

　　實際上簡單的這樣理解也沒有錯，在明確定義時，會比較強(qiáng)調(diào)大數(shù)據(jù)的4個V的特性： Volume，Variety，Value，Velocity。也就是：

　　一、數(shù)據(jù)存儲空間占用大（至PB及以上級別）；

　　二、數(shù)據(jù)類型繁多；

　　三、價值密度低；

　　四、處理速度快。

　　搜索的信息中，你會發(fā)現(xiàn)有某些名詞出現(xiàn)的頻率非常高，心里也隨之會產(chǎn)生一些疑問。“PB是多大？”“Map-Reduce是啥？”“Hadoop是啥？”“大數(shù)據(jù)跟云計算啥關(guān)系？跟傳統(tǒng)意義的數(shù)據(jù)庫啥關(guān)系？”等等。

　　這么多的信息量，我們還是按照大數(shù)據(jù)的基本定義，四個V來逐一梳理吧。

　　從第一個V開始，Volume。

　　數(shù)據(jù)量很大，到底能達(dá)到什么程度呢？先來學(xué)習(xí)一下數(shù)量級的知識吧。

　　1KB（Kilobyte 千字節(jié)） = 2^10 B = 1024 B；

　　1MB（Megabyte 兆字節(jié)） = 2^10 KB = 1024 KB = 2^20 B；

　　1GB（Gigabyte 吉字節(jié)） = 2^10 MB = 1024 MB = 2^30 B；

　　1TB（Trillionbyte 太字節(jié)） = 2^10 GB = 1024 GB = 2^40 B；

　　1PB（Petabyte 拍字節(jié)） = 2^10 TB = 1024 TB = 2^50 B；

　　1EB（Exabyte 艾字節(jié)） = 2^10 PB = 1024 PB = 2^60 B；

　　1ZB（Zettabyte 澤字節(jié)） = 2^10 EB = 1024 EB = 2^70 B；

　　1YB（YottaByte 堯字節(jié)） = 2^10 ZB = 1024 ZB = 2^80 B；

　　1BB（Brontobyte ） = 2^10 YB = 1024 YB = 2^90 B；

　　1NB（NonaByte ） = 2^10 BB = 1024 BB = 2^100 B；

　　1DB（DoggaByte） = 2^10 NB = 1024 NB = 2^110 B；

　　……

　　“哇！坑爹啊，整出這么多名詞，跟大數(shù)據(jù)都有關(guān)系嗎？需要我們掌握嗎？”別激動！其實，KB，MB，GB我們在日常電腦操作中已經(jīng)經(jīng)常碰到了。甚至TB級的大硬盤，也已經(jīng)應(yīng)用于家用電腦中了。我們所說的“大數(shù)據(jù)”，目前大多產(chǎn)品還處在了立足PB展望EB的級別。后面的那些什么ZB、YB、BB、NB、 DB……等，就暫時先當(dāng)他們是浮云吧~

　　第二個V， Variety。

　　關(guān)于這一點(diǎn)，百度百科里是這么說的“網(wǎng)絡(luò)日志、視頻、圖片、地理位置信息等等”。從專業(yè)一點(diǎn)的角度，我們可以說“大數(shù)據(jù)”中，可以有結(jié)構(gòu)化數(shù)據(jù)，但更多的是大量的非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)。

　　結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)是什么意思？

　　結(jié)構(gòu)化數(shù)據(jù)是指，可以存儲在數(shù)據(jù)庫里，可以用二維表結(jié)構(gòu)來邏輯表達(dá)實現(xiàn)的數(shù)據(jù)。

　　非結(jié)構(gòu)化數(shù)據(jù)，是指不方便用數(shù)據(jù)庫二維邏輯表來表現(xiàn)的數(shù)據(jù)，包括所有格式的辦公文檔、文本、圖片、XML、HTML、各類報表、圖像和音頻/視頻信息等等。

　　而半結(jié)構(gòu)化數(shù)據(jù)，就是介于完全結(jié)構(gòu)化數(shù)據(jù)（如關(guān)系型數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫中的數(shù)據(jù)）和完全無結(jié)構(gòu)的數(shù)據(jù)（如聲音、圖像文件等）之間的數(shù)據(jù)，HTML文檔就屬于半結(jié)構(gòu)化數(shù)據(jù)。它一般是自描述的，數(shù)據(jù)的結(jié)構(gòu)和內(nèi)容混在一起，沒有明顯的區(qū)分。

　　上述的描述，其實還是有點(diǎn)不明確。用數(shù)據(jù)模型的列表來看，區(qū)別就更清晰一點(diǎn)了：

　　第三個V，Value。

　　價值密度低。以視頻為例，連續(xù)不間斷監(jiān)控過程中，可能有用的數(shù)據(jù)僅僅有一兩秒。

　　第四個V，Velocity。

　　處理速度快。如此龐大的數(shù)據(jù)量，需要在短時間內(nèi)迅速響應(yīng)。所使用的技術(shù)，當(dāng)然是有別于傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)的。

　　釋疑解惑

　　“梳理完了四個V，咋還是云山霧罩的呢？”

　　下面來回答幾個初學(xué)者可能思考到的問題吧！

　　針對大數(shù)據(jù)的四個V，有沒有什么對應(yīng)的技術(shù)來應(yīng)對呢？

　　目前，查詢“大數(shù)據(jù)”，你會發(fā)現(xiàn)度娘給出的各種信息中，Hadoop這個詞出現(xiàn)的很頻繁。而且，很多廠商提供的產(chǎn)品，也都會打上一個標(biāo)簽：“**產(chǎn)品已經(jīng)并入Hadoop分布式計算平臺，以及將Hadoop引入**產(chǎn)品。”

　　什么是Hadoop？

　　Hadoop是由Apache基金會開發(fā)的一個分布式系統(tǒng)基礎(chǔ)架構(gòu)。它是一個能夠?qū)Υ罅繑?shù)據(jù)進(jìn)行分布式處理的軟件框架。用戶可以在不了解分布式底層細(xì)節(jié)的情況下，開發(fā)分布式程序，充分利用集群的威力高速運(yùn)算和存儲。

　　Hadoop包含了如下子項目：

　　1. Hadoop Common： 在0.20及以前的版本中，包含HDFS、MapReduce和其他項目公共內(nèi)容，從0.21開始HDFS和MapReduce被分離為獨(dú)立的子項目，其余內(nèi)容為Hadoop Common

　　2. HDFS： Hadoop 分布式文件系統(tǒng) （Distributed File System） － HDFS （Hadoop Distributed File System）

　　3. MapReduce：并行計算框架，0.20前使用 org.apache.hadoop.mapred 舊接口，0.20版本開始引入org.apache.hadoop.mapreduce的新API

　　4. HBase： 類似Google BigTable的分布式NoSQL列數(shù)據(jù)庫。

　　5. Hive：數(shù)據(jù)倉庫工具，由Facebook貢獻(xiàn)。

　　6. Zookeeper：分布式鎖設(shè)施，提供類似Google Chubby的功能，由Facebook貢獻(xiàn)。

　　7. Avro：新的數(shù)據(jù)序列化格式與傳輸工具，將逐步取代Hadoop原有的IPC機(jī)制。

　　8. Pig： 大數(shù)據(jù)分析平臺，為用戶提供多種接口。

　　作為初學(xué)者，我們先撥開一些浮云，看看這里面到底有些什么。有三個主體部分，是我們需要重點(diǎn)關(guān)注的：HDFS、MapReduce、HBase。

　　實際上，Apache Hadoop的HDFS是Google File System（GFS）的開源實現(xiàn)。MapReduce是Google MapReduce的開源實現(xiàn)。HBase是Google BigTable的開源實現(xiàn)。

　　Hadoop是一個能夠讓用戶輕松架構(gòu)和使用的分布式計算平臺。它主要有以下幾個優(yōu)點(diǎn)：1高可靠性2高擴(kuò)展性3高效性4高容錯性。用戶可以輕松地在Hadoop上開發(fā)和運(yùn)行處理海量數(shù)據(jù)的應(yīng)用程序。而實際上，很多公司提供的大數(shù)據(jù)產(chǎn)品也是基于Hadoop進(jìn)行開發(fā)的。

　　數(shù)據(jù)存儲空間占用大

　　針對數(shù)據(jù)存儲空間占用大，我們需要用到的是“分布式存儲”。分布式存儲系統(tǒng)，就是將數(shù)據(jù)分散存儲在多臺獨(dú)立的設(shè)備上。傳統(tǒng)的網(wǎng)絡(luò)存儲系統(tǒng)采用集中的存儲服務(wù)器存放所有數(shù)據(jù)，存儲服務(wù)器成為系統(tǒng)性能的瓶頸，也是可靠性和安全性的焦點(diǎn)，不能滿足大規(guī)模存儲應(yīng)用的需要。分布式網(wǎng)絡(luò)存儲系統(tǒng)采用可擴(kuò)展的系統(tǒng)結(jié)構(gòu)，利用多臺存儲服務(wù)器分擔(dān)存儲負(fù)荷，利用位置服務(wù)器定位存儲信息，它不但提高了系統(tǒng)的可靠性、可用性和存取效率，還易于擴(kuò)展。

　　前面我們介紹到的Hadoop，其中的HDFS就是現(xiàn)今最流行的分布式存儲平臺之一。

　　HDFS原理簡要描述

　　HDFS（Hadoop Distributed File System），是一個分布式文件系統(tǒng)。HDFS有著高容錯性（fault-tolerent）的特點(diǎn)，并且設(shè)計用來部署在低廉的（low-cost）硬件上。它提供高吞吐量（high throughput）來訪問應(yīng)用程序的數(shù)據(jù)，適合那些有著超大數(shù)據(jù)集（large data set）的應(yīng)用程序。HDFS放寬了（relax）POSIX的要求（requirements）這樣可以實現(xiàn)流的形式訪問（streaming access）文件系統(tǒng)中的數(shù)據(jù)。

　　HDFS是一個主從結(jié)構(gòu)的體系，一個HDFS集群是由一個名字節(jié)點(diǎn)，它是一個管理文件的命名空間和調(diào)節(jié)客戶端訪問文件的主服務(wù)器，當(dāng)然還有的數(shù)據(jù)節(jié)點(diǎn)，一個節(jié)點(diǎn)一個，它來管理存儲。HDFS暴露文件命名空間和允許用戶數(shù)據(jù)存儲成文件。

　　對外部客戶機(jī)而言，HDFS 就像一個傳統(tǒng)的分級文件系統(tǒng)?？梢詣?chuàng)建、刪除、移動或重命名文件，等等。

　　內(nèi)部機(jī)制，是將一個文件分割成一個或多個的塊，這些塊存儲在一組數(shù)據(jù)節(jié)點(diǎn)中。名字節(jié)點(diǎn)（NameNode）操作文件命名空間的文件或目錄操作，如打開，關(guān)閉，重命名，等等。它同時確定塊與數(shù)據(jù)節(jié)點(diǎn)的映射。數(shù)據(jù)節(jié)點(diǎn)（DataNode）來負(fù)責(zé)來自文件系統(tǒng)客戶的讀寫請求。數(shù)據(jù)節(jié)點(diǎn)同時還要執(zhí)行塊的創(chuàng)建，刪除，和來自名字節(jié)點(diǎn)的塊復(fù)制指示。這與傳統(tǒng)的 RAID 架構(gòu)大不相同。塊的大小（通常為 64MB）和復(fù)制的塊數(shù)量在創(chuàng)建文件時由客戶機(jī)決定。NameNode 可以控制所有文件操作。

　　HDFS 內(nèi)部的所有通信都基于標(biāo)準(zhǔn)的 TCP/IP 協(xié)議。

　　數(shù)據(jù)類型繁多

　　大數(shù)據(jù)處理，有如下需求：對數(shù)據(jù)庫高并發(fā)讀寫的需求、對海量數(shù)據(jù)的高效率存儲和訪問的需求、對數(shù)據(jù)庫的高可擴(kuò)展性和高可用性的需求。傳統(tǒng)的關(guān)系型數(shù)據(jù)庫在此類需求面前束手無策。此時，一個新的概念被引入了----NoSQL。