大数据知识点总结

大数据知识点总结

导语：原始数据要经过一连串收集、提取、清洗、整理等等的预处理过程，才能形成高质量的数据；按照自己的需要，比如要对数据贴标签分类，或者预测，或者想要从大量复杂的数据中提取有价值的且不易发现的信息，下面由小编为您整理出的大数据知识点总结内容，一起来看看吧。

1、Hadoop是一个由Apache基金会所开发的分布式系统基础架构。

用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。

2、Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。

3、Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

4、Hadoop它主要有以下几个优点：

(a)高可靠性。Hadoop按位存储和处理数据的能力值得人们信赖。

(b)高扩展性。Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。

(c)高效性。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。

(d)高容错性。Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。

(e)低成本。与一体机、商用数据仓库以及QlikView、Yonghong Z-Suite等数据集市相比，hadoop是开源的，项目的软件成本因此会大大降低。

5、HDFS

对外部客户机而言，HDFS就像一个传统的分级文件系统。可以创建、删除、移动或重命名文件，等等。但是 HDFS 的架构是基于一组特定的节点构建的，这是由它自身的特点决定的。这些节点包括 NameNode（仅一个），它在 HDFS 内部提供元数据服务；DataNode，它为 HDFS 提供存储块。由于仅存在一个 NameNode，因此这是 HDFS 的一个缺点（单点失败）。

存储在 HDFS 中的文件被分成块，然后将这些块复制到多个计算机中（DataNode）。这与传统的 RAID 架构大不相同。块的大小（通常为 64MB）和复制的块数量在创建文件时由客户机决定。NameNode 可以控制所有文件操作。HDFS 内部的所有通信都基于标准的 TCP/IP 协议。

6、NameNode

NameNode 是一个通常在 HDFS 实例中的单独机器上运行的软件。它负责管理文件系统名称空间和控制外部客户机的访问。NameNode 决定是否将文件映射到 DataNode 上的复制块上。对于最常见的 3 个复制块，第一个复制块存储在同一机架的不同节点上，最后一个复制块存储在不同机架的某个节点上。

NameNode本身不可避免地具有SPOF（Single Point Of Failure）单点失效的风险，主备模式并不能解决这个问题，通过Hadoop Non-stop namenode才能实现100% uptime可用时间。

7、DataNode

DataNode 也是一个通常在 HDFS实例中的单独机器上运行的软件。Hadoop 集群包含一个 NameNode 和大量 DataNode。DataNode 通常以机架的形式组织，机架通过一个交换机将所有系统连接起来。Hadoop 的一个假设是：机架内部节点之间的传输速度快于机架间节点的传输速度。

DataNode 响应来自 HDFS 客户机的读写请求。它们还响应来自 NameNode 的创建、删除和复制块的命令。NameNode 依赖来自每个 DataNode 的定期心跳（heartbeat）消息。每条消息都包含一个块报告，NameNode 可以根据这个报告验证块映射和其他文件系统元数据。如果 DataNode 不能发送心跳消息，NameNode 将采取修复措施，重新复制在该节点上丢失的块。

8、集群系统

Google的数据中心使用廉价的Linux PC机组成集群，在上面运行各种应用。核心组件是3个：

(a)GFS（Google File System）。一个分布式文件系统，隐藏下层负载均衡，冗余复制等细节，对上层程序提供一个统一的文件系统API接口。Google根据自己的需求对它进行了特别优化，包括：超大文件的访问，读操作比例远超过写操作，PC机极易发生故障造成节点失效等。GFS把文件分成64MB的块，分布在集群的机器上，使用Linux的文件系统存放。同时每块文件至少有3份以上的冗余。中心是一个Master节点，根据文件索引，找寻文件块。详见Google的工程师发布的GFS论文。

(b)MapReduce。Google发现大多数分布式运算可以抽象为MapReduce操作。Map是把输入Input分解成中间的Key/Value对，Reduce把Key/Value合成最终输出Output。这两个函数由程序员提供给系统，下层设施把Map和Reduce操作分布在集群上运行，并把结果存储在GFS上。

(c)BigTable。一个大型的分布式数据库，这个数据库不是关系式的数据库。像它的名字一样，就是一个巨大的表格，用来存储结构化的数据。

9、子项目

(a)HDFS: Hadoop分布式文件系统(Distributed File System)

(b)MapReduce：MapReduce是处理大量半结构化数据集合的编程模型

(c)HBase:类似Google BigTable的分布式NoSQL列数据库。

HBase是一个分布式的，面向列的数据库。它基于Hadoop之上提供了类似BigTable的功能。

(d)Hive：数据仓库工具。

Hive是 一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类似SQL一样的查询语言HiveQL来管理这些数据。

(e)Zookeeper：分布式锁设施，提供类似Google Chubby的功能。

ZooKeeper是一个针对大型分布式系统的可靠协调系统，提供包括配置维护，名字服务，分布式同步和组服务等功能。 Hadoop的管理就是用的ZooKeeper。

(f)Avro：新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制。

(g)Pig: 大数据分析平台，为用户提供多种接口。

Pig是一个基于Hadoop的大数据分析平台，它提供了一个叫PigLatin的高级语言来表达大数据分析程序。

(h)Ambari：Hadoop管理工具，可以快捷的监控、部署、管理集群。

对Hadoop集群进行监控和管理的基于Web的系统。目前已经支持HDFS， MapReduce， Hive， HCatalog， HBase， ZooKeeper， Oozie， Pig和Sqoop等组件。

(i)Sqoop：在HADOOP与传统的数据库间进行数据的.传递。

Sqoop是一个Hadoop和关系型数据库之间的数据转移工具。可将关系型数据库中的数据导入到Hadoop的HDFS中，也可将HDFS中的数据导进到关系型数据库中。

10、Hadoop1.x与Hadoop2.x的区别：

Hadoop2.x中有两个重要的变更：

(a)HDFS的NameNode可以以集群的方式部署，增强了NameNode的水平扩展能力和可用性

(b)MapReduce将JobTrack中的资源管理及任务生命周期管理（包括定时触发及监控），拆分成两个独立的组件，并更名为YARN

11、Hadoop2.x解决了Hadoop1.x中的哪些问题

(a)2.x解决了1.x中的namenode单点故障问题

(b)解决了namenode内存压力过大难以扩展问题

(c)解决了JobTrack单点故障问题

(d)解决了JobTrack访问压力过大问题

(e)解决了对MapReduce之外的框架支持问题

12、Zeppelin是一个基于web的可视化的大数据分析工具。主要用来进行交互式的数据分析，它可以跟多种大数据分析组件集成在一起，为这些大数据分析组件提供基于浏览器页面的交互式访问功能。

13、Zeppelin的主要用途

1、Data Ingestion(数据摄取)

2、Data Discovery(数据发现)

3、Data analytics(数据分析)

4、Data Visualization & Collaboration(数据可视化和协同开发)

14、Zeppelin的主要特点

a、支持多种编程语言

b、Zeppelin支持的语言取决于跟Zeppelin集成的interpreter. 比如Zeppelin跟Hive集成后，就可以支持HQL。

c、Zeppelin默认跟Spark，Spark shell支持的语法在Zeppelin都默认支持，并且ZeppelinNotebook对Scala，Python和Spark SQL还实现了语言高亮。

d、默认支持Spark

e、通过多种图表的方式，对数据分析提供数据可视化的支持

f、通过简单的拖拽操作，可以对图表中展示的数据进行多种方式的聚合操作，如sum, count, average, min, max。

g、支持动态表单，可以在交互中动态修改过滤条件。

h、使用简单的模板语言来创建form表单, 适用于Markdown, Shell, SparkSQL后台。

i、通过编程的方式创建form表单，适用于Scala，Python等，调用z（ZeppelinContext）来创建和访问表单。

j、支持协同开发，Zeppelin的notebook，可以被多人同时使用，任何一个人的改动都会被实时的同步到其他协作者的页面上。

k、Zeppelin notebook上产生的图表，可以被独立发布，通过iframe，可以嵌入到别的网页上。

l、100%开源的Apache项目。

15、Ambari是一个开源的分布式Hadoop集群安装，部署，监控和管理的平台。

16、Ambari主要由三个部分组成， Ambari Server， Ambari Web和Ambari Agent。

Ambari Server： AmbariServer是整个Ambari的统一入口，只能运行在集群中的一台机器上。负责管理所有的Ambari Agent。

Ambari Web： AmbariWeb和Ambari Server运行在同一台机器上，作为Ambari Server的一部分功能存在，提供Web和RestAPI的方式访问AmbariServer。

AmbariAgent：AmbariAgent需要在集群中的每个节点上都运行一个，负责监控宿主机器的状态信息，执行从Ambari Server上发送过来的操作指令。

17、Spark是UCBerkeleyAMPlab所开源的类HadoopMapReduce的通用的并行计算框架，Spark基于mapreduce算法实现的分布式计算，拥有HadoopMapReduce所具有的优点；但不同于MapReduce的是Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。

18、Spark与Hadoop的对比（Spark的优势）

1、Spark的中间数据放到内存中，对于迭代运算效率更高

2、Spark比Hadoop更通用

3、Spark提供了统一的编程接口

4、容错性– 在分布式数据集计算时通过checkpoint来实现容错

5、可用性– Spark通过提供丰富的Scala, Java，Python API及交互式Shell来提高可用性

19、Spark的组件

1、Spark Streaming：支持高吞吐量、支持容错的实时流数据处理

2、Spark SQL， Data frames: 结构化数据查询

3、MLLib：Spark 生态系统里用来解决大数据机器学习问题的模块

4、GraphX：是构建于Spark上的图计算模型

5、SparkR：是一个R语言包，它提供了轻量级的方式使得可以在R语言中使用 Spark

20、DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库中的二维表格。

21、DataFrame与RDD的主要区别在于：

前者带有schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型。这使得SparkSQL得以洞察更多的结构信息，从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化，最终达到大幅提升运行时效率的目标。反观RDD，由于无从得知所存数据元素的具体内部结构，Spark Core只能在stage层面进行简单、通用的流水线优化。

22、MLlib是spark的可以扩展的机器学习库，由以下部分组成：通用的学习算法和工具类，包括分类，回归，聚类，协同过滤，降维

23、SparkR实现了分布式的data frame，支持类似查询、过滤以及聚合的操作

24、RDD，全称为Resilient Distributed Datasets，是个容错的、并行的数据结构，可以让用户显式地将数据存储到磁盘和内存中，并能控制数据的分区。同时，RDD还提供了一组丰富的操作来操作这些数据。

25、RDD的特点：

1. 它是在集群节点上的不可变的、已分区的集合对象。

2. 通过并行转换的方式来创建如(map, filter, join, etc )。

3. 失败自动重建。

4. 可以控制存储级别(内存、磁盘等)来进行重用。

5. 必须是可序列化的。

6. 是静态类型的。

26、RDD核心概念

Client：客户端进程，负责提交作业到Master。

Master：Standalone模式中主控节点，负责接收Client提交的作业，管理Worker，并命令Worker启动分配Driver的资源和启动Executor的资源。

Worker：Standalone模式中slave节点上的守护进程，负责管理本节点的资源，定期向Master汇报心跳，接收Master的命令，启动Driver和Executor。

Driver： 一个Spark作业运行时包括一个Driver进程，也是作业的主进程，负责作业的解析、生成Stage并调度Task到Executor上。包括DAGScheduler，TaskScheduler。

Executor：即真正执行作业的地方，一个集群一般包含多个Executor，每个Executor接收Driver的命令Launch Task，一个Executor可以执行一到多个Task。

27、RDD常见术语

DAGScheduler： 实现将Spark作业分解成一到多个Stage，每个Stage根据RDD的Partition个数决定Task的个数，然后生成相应的Task set放到TaskScheduler中。

TaskScheduler：实现Task分配到Executor上执行。

Task：运行在Executor上的工作单元

Job：SparkContext提交的具体Action操作，常和Action对应

Stage：每个Job会被拆分很多组任务（task），每组任务被称为Stage，也称TaskSet

RDD：Resilient Distributed Datasets的简称，弹性分布式数据集，是Spark最核心的模块和类

Transformation/Action：SparkAPI的两种类型；Transformation返回值还是一个RDD，Action返回值不少一个RDD，而是一个Scala的集合；所有的Transformation都是采用的懒策略，如果只是将Transformation提交是不会执行计算的，计算只有在Action被提交时才会被触发。

DataFrame： 带有Schema信息的RDD，主要是对结构化数据的高度抽象。

DataSet：结合了DataFrame和RDD两者的优势，既允许用户很方便的操作领域对象，又具有SQL执行引擎的高效表现。

28、RDD提供了两种类型的操作：transformation和action

1，transformation是得到一个新的RDD，方式很多，比如从数据源生成一个新的RDD，从RDD生成一个新的RDD

2，action是得到一个值，或者一个结果（直接将RDD cache到内存中）

3，所有的transformation都是采用的懒策略，就是如果只是将transformation提交是不会执行计算的，计算只有在action被提交的时候才被触发

29、RDD中关于转换(transformation)与动作(action)的区别

前者会生成新的RDD，而后者只是将RDD上某项操作的结果返回给程序，而不会生成新的RDD；无论执行了多少次transformation操作，RDD都不会真正执行运算（记录lineage），只有当action操作被执行时，运算才会触发。

30、RDD 与 DSM(distributed shared memory)的最大不同是：

RDD只能通过粗粒度转换来创建，而DSM则允许对每个内存位置上数据的读和写。在这种定义下，DSM不仅包括了传统的共享内存系统，也包括了像提供了共享 DHT(distributed hash table) 的 Piccolo 以及分布式数据库等。

31、RDD的优势

1、高效的容错机制

2、结点落后问题的缓和 (mitigate straggler) ：

3、批量操作：

4、优雅降级 (degrade gracefully)

32、如何获取RDD

1、从共享的文件系统获取，（如：HDFS）

2、通过已存在的RDD转换

3、将已存在scala集合（只要是Seq对象）并行化 ，通过调用SparkContext的parallelize方法实现

4、改变现有RDD的之久性；RDD是懒散，短暂的。

33、RDD都需要包含以下四个部分

a.源数据分割后的数据块，源代码中的splits变量

b.关于“血统”的信息，源码中的dependencies变量

c.一个计算函数（该RDD如何通过父RDD计算得到），源码中的iterator(split)和compute函数

d.一些关于如何分块和数据存放位置的元信息，如源码中的partitioner和preferredLocations

34、在RDD中将依赖划分成了两种类型：

窄依赖(narrowdependencies)和宽依赖(widedependencies)。窄依赖是指父RDD的每个分区都只被子RDD的一个分区所使用。相应的，那么宽依赖就是指父RDD的分区被多个子RDD的分区所依赖。例如，map就是一种窄依赖，而join则会导致宽依赖

依赖关系分类的特性：

第一，窄依赖可以在某个计算节点上直接通过计算父RDD的某块数据计算得到子RDD对应的某块数据；

第二，数据丢失时，对于窄依赖只需要重新计算丢失的那一块数据来恢复；

35、数据分析常见模式：

1、Iterative Algorithms，

2、Relational Queries，

3、MapReduce，

4、Stream Processing,

36、Spark Streaming的基本原理是将输入数据流以时间片（秒级）为单位进行拆分，然后以类似批处理的方式处理每个时间片数据

37、Spark Streaming优劣

优势：

1、统一的开发接口

2、吞吐和容错

3、多种开发范式混用，Streaming + SQL, Streaming +MLlib

4、利用Spark内存pipeline计算

劣势：

微批处理模式，准实时

38、Flume是一个分布式的日志收集系统，具有高可靠、高可用、事务管理、失败重启等功能。数据处理速度快，完全可以用于生产环境。

39、Flume的核心是agent。Agent是一个java进程，运行在日志收集端，通过agent接收日志，然后暂存起来，再发送到目的地。

Agent里面包含3个核心组件：source、channel、sink。

Source组件是专用于收集日志的，可以处理各种类型各种格式的日志数据,包括avro、thrift、exec、jms、spoolingdirectory、netcat、sequencegenerator、syslog、http、legacy、自定义。source组件把数据收集来以后，临时存放在channel中。

Channel组件是在agent中专用于临时存储数据的，可以存放在memory、jdbc、file、自定义。channel中的数据只有在sink发送成功之后才会被删除。

Sink组件是用于把数据发送到目的地的组件，目的地包括hdfs、logger、avro、thrift、ipc、file、null、hbase、solr、自定义。

40、ApacheKafka是分布式发布-订阅消息系统。它最初由LinkedIn公司开发，之后成为Apache项目的一部分。Kafka是一种快速、可扩展的、设计内在就是分布式的，分区的和可复制的提交日志服务。

41、Apache Kafka与传统消息系统相比，有以下不同：

1、它被设计为一个分布式系统，易于向外扩展；

2、它同时为发布和订阅提供高吞吐量；

3、它支持多订阅者，当失败时能自动平衡消费者；

4、它将消息持久化到磁盘，因此可用于批量消费

42、DataFrame 特性

1、支持从KB到PB级的数据量

2、支持多种数据格式和多种存储系统

3、通过Catalyst优化器进行先进的优化生成代码

4、通过Spark无缝集成主流大数据工具与基础设施

5、API支持Python、Java、Scala和R语言

43、Scala的好处：

1、面向对象和函数式编程理念加入到静态类型语言中的混合体

2、Scala的兼容性----能够与Java库无缝的交互

3、Scala的简洁性----高效，更不容易犯错

4、Scala的高级抽象

5、Scala是静态类型----类型推断

6、Scala是可扩展的语言

44、搜索引擎是指根据一定的策略、运用特定的计算机程序从互联网上搜集信息，在对信息进行组织和处理后，为用户提供检索服务，将用户检索相关的信息展示给用户的系统。搜索引擎包括全文索引、目录索引、元搜索引擎、垂直搜索引擎、集合式搜索引擎、门户搜索引擎与免费链接列表等。

45、Lucene是一个高性能、可伸缩的信息搜索库，即它不是一个完整的全文检索引擎，而是一个全检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎。

46、Elasticsearch是一个高可扩展的、开源的全文本搜索和分析工具。它允许你以近实时的方式快速存储、搜索、分析大容量的数据。

Elasticsearch是一个基于ApacheLucene(TM)的开源搜索引擎。无论在开源还是专有领域，Lucene可以被认为是迄今为止最先进、性能最好的、功能最全的搜索引擎库。

47、ElasticSearch 有4种方式来构建数据库，

最简单的方法是使用indexAPI，将一个Document发送到特定的index，一般通过curltools实现。

第二第三种方法是通过bulkAPI和UDPbulkAPI。两者的区别仅在于连接方式。

第四种方式是通过一个插件——river。river运行在ElasticSearch上，并且可以从外部数据库导入数据到ES中。需要注意的是，数据构建仅在分片上进行，而不能在副本上进行。

48、ELK是一套常用的开源日志监控和分析系统，包括一个分布式索引与搜索服务Elasticsearch，一个管理日志和事件的工具logstash，和一个数据可视化服务Kibana

logstash 负责日志的收集，处理和储存

elasticsearch 负责日志检索和分析

Kibana 负责日志的可视化

49、Hive是什么？

Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能。本质是将HQL转换为MapReduce程序

50、Hive的设计目标？

1、Hive的设计目标是使Hadoop上的数据操作与传统SQL相结合，让熟悉SQL编程开发人员能够轻松向Hadoop平台迁移

2、Hive提供类似SQL的查询语言HQL，HQL在底层被转换为相应的MapReduce操作

3、Hive在HDFS上构建数据仓库来存储结构化的数据，这些数据一般来源与HDFS上的原始数据，使用Hive可以对这些数据执行查询、分析等操作。

51、Hive的数据模型

1、Hive数据库2、内部表3、外部表4、分区5、桶6、Hive的视图

52、Hive的调用方式

1、Hive Shell 2、Thrift 3、JDBC 4、ODBC

53、Hive的运行机制

1、将sql转换成抽象语法树

2、将抽象语法树转化成查询块

3、将查询块转换成逻辑查询计划（操作符树）

4、将逻辑计划转换成物理计划（MRjobs）

54、Hive的优势

1、并行计算

2、充分利用集群的CPU计算资源、存储资源

3、处理大规模数据集

4、使用SQL，学习成本低

55、Hive应用场景

1、海量数据处理 2、数据挖掘 3、数据分析 4、SQL是商务智能工具的通用语言，Hive有条件和这些BI产品进行集成

56、Hive不适用场景

1、复杂的科学计算 2、不能做到交互式的实时查询

57、Hive和数据库（RDBMS）的区别

1、数据存储位置。Hive是建立在Hadoop之上的，所有的Hive的数据都是存储在HDFS中的。而数据库则可以将数据保存在块设备或本地文件系统中。

2、数据格式。Hive中没有定义专门的数据格式，由用户指定三个属性：列分隔符，行分隔符，以及读取文件数据的方法。数据库中，存储引擎定义了自己的数据格式。所有数据都会按照一定的组织存储。

3、数据更新。Hive的内容是读多写少的，因此，不支持对数据的改写和删除，数据都在加载的时候中确定好的。数据库中的数据通常是需要经常进行修改。

4、执行延迟。Hive在查询数据的时候，需要扫描整个表（或分区），因此延迟较高，只有在处理大数据是才有优势。数据库在处理小数据是执行延迟较低。

5、索引。Hive没有，数据库有

6、执行。Hive是MapReduce，数据库是Executor

7、可扩展性。Hive高，数据库低

8、数据规模。Hive大，数据库小

58、Hbase 的模块：

Region

- Region用于存放表中的行数据

- 当一个表格很大的时候，数据会存放并共享在多个Region中

- 每一个Region只存放一个单一的Column Family

Region Server

- 一个Region Server包含多个Region

- 管理表格，以及实现读写操作

- Client会直接和Region Server通信获取数据

Master

- 协调多个Region Server

- 侦测各个Region Server的状态并平衡它们之间的workload

- 分配Region给Region Serer

- 允许多个Master节点，但是只有一个服务，其他是backup

- 和Zookeeper一起工作实现HA

Zookeeper

- Hbase中至关重要的模块

- 确保有一个Master处于Running的状态

- 注册Region和Region Server

- 属于Hbase容错性的一部分

HDFS

- Hadoop 的分布式文件系统（Hadoop Distributed File System）

API

- Hbase提供Java的Client API