目前人工智能和大数据火热，使用的场景也越来越广，日常开发中前端同学也逐渐接触了更多与大数据相关的开发需求。因此对大数据知识也有必要进行一些学习理解。
基础概念
大数据的本质
一、数据的存储：分布式文件系统(分布式存储)
二、数据的计算：分部署计算
基础知识
学习大数据需要具备Java知识基础及Linux知识基础
学习路线
(1)Java基础和Linux基础
(2)Hadoop的学习：体系结构、原理、编程
第一阶段：HDFS、MapReduce、HBase(NoSQL数据库)
第二阶段：数据分析引擎 -> Hive、Pig
数据采集引擎 -> Sqoop、Flume
第三阶段：HUE：Web管理工具
ZooKeeper：实现Hadoop的HA
Oozie：工作流引擎
(3)Spark的学习
第一阶段：Scala编程语言
第二阶段：Spark Core -> 基于内存、数据的计算
第三阶段：Spark SQL -> 类似于mysql 的sql语句
第四阶段：Spark Streaming ->进行流式计算：比如：自来水厂
(4)Apache Storm 类似：Spark Streaming ->进行流式计算
NoSQL：Redis基于内存的数据库
HDFS
分布式文件系统 解决以下问题：
• 硬盘不够大：多几块硬盘，理论上可以无限大
• 数据不够安全：冗余度，hdfs默认冗余为3 ，用水平复制提高效率，传输按照数据库为单位：Hadoop1.x 64M，Hadoop2.x 128M，大数据架构学习交流扣群数字522跟189and最后307
• 管理员：NameNode 硬盘：DataNode
MapReduce
基础编程模型：把一个大任务拆分成小任务，再进行汇总
• MR任务：Job = Map + Reduce
Map的输出是Reduce的输入、MR的输入和输出都是在HDFS
MapReduce数据流程分析：
• Map的输出是Reduce的输入，Reduce的输入是Map的集合
HBase
什么是BigTable?: 把所有的数据保存到一张表中，采用冗余 —> 好处：提高效率
• 因为有了bigtable的思想：NoSQL：HBase数据库
• HBase基于Hadoop的HDFS的
• 描述HBase的表结构
核心思想是：利用空间换效率
Hadoop环境搭建
环境准备
安装
1、安装jdk、并配置环境变量
vim /etc/profile 末尾添加
2、解压hadoop-3.0.0.tar.gz、并配置环境变量
tar -zxvf hadoop-3.0.0.tar.gz -C /usr/local/ mv hadoop-3.0.0/ hadoop
vim /etc/profile 末尾添加
配置
Hadoop有三种安装模式：
本地模式 ：
• 1台主机
• 不具备HDFS，只能测试MapReduce程序
伪分布模式：
• 1台主机
• 具备Hadoop的所有功能，在单机上模拟一个分布式的环境
• (1)HDFS：主：NameNode，数据节点：DataNode
• (2)Yarn：容器，运行MapReduce程序
• 主节点：ResourceManager
• 从节点：NodeManager
全分布模式：
• 至少3台
我们以伪分布模式为例配置：
修改hdfs-site.xml：冗余度1、权限检查false
修改core-site.xml
修改mapred-site.xml
修改yarn-site.xml
格式化NameNode
hdfs namenode -format
看到common.Storage: Storage directory /usr/local/hadoop/tmp/dfs/name has been successfully formatted表示格式化成功
启动
(*)HDFS：存储数据
(*)YARN：
访问
查看HDFS管理界面和yarn资源管理系统
基本操作：
HDFS相关命令
MapReduce示例
结果：
如上 一个最简单的MapReduce示例就执行成功了
思考
Hadoop是基于Java语言的，前端日常开发是用的PHP，在使用、查找错误时还是蛮吃力的。工作之余还是需要多补充点其它语言的相关知识，编程语言是我们开发、学习的工具，而不应成为限制我们技术成长的瓶颈。