Stay foolish：初学者轻松了解“大数据”

　　网络上流传着这么的一句流行语：“万事不懂问度娘”。自从有了各种搜索引擎，新名词新技术对大众而言，已不再神秘。然而，当你搜索“大数据”或者“big data soluTIon”等关键字时，搜索出的海量相关知识铺天盖地，对初学者而言，仍然很难在短时间内入门。本文目的，是以傻瓜式提问的方式让初学者轻松的了解“大数据”。

　　大数据的概念

　　“大数据”，是不是----数据很大就叫大数据？

　　实际上简单的这样理解也没有错，在明确定义时，会比较强调大数据的4个V的特性： Volume，Variety，Value，Velocity。也就是：

　　一、数据存储空间占用大（至PB及以上级别）；

　　二、数据类型繁多；

　　三、价值密度低；

　　四、处理速度快。

　　搜索的信息中，你会发现有某些名词出现的频率非常高，心里也随之会产生一些疑问。“PB是多大？”“Map-Reduce是啥？”“Hadoop是啥？”“大数据跟云计算啥关系？跟传统意义的数据库啥关系？”等等。

　　这么多的信息量，我们还是按照大数据的基本定义，四个V来逐一梳理吧。

　　从第一个V开始，Volume。

　　数据量很大，到底能达到什么程度呢？先来学习一下数量级的知识吧。

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

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

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

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

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

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

　　1ZB（Zettabyte 泽字节） = 2^10 EB = 1024 EB = 2^70 B；

　　1YB（YottaByte 尧字节） = 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，整出这么多名词，跟大数据都有关系吗？需要我们掌握吗？”别激动！其实，KB，MB，GB我们在日常电脑操作中已经经常碰到了。甚至TB级的大硬盘，也已经应用于家用电脑中了。我们所说的“大数据”，目前大多产品还处在了立足PB展望EB的级别。后面的那些什么ZB、YB、BB、NB、 DB……等，就暂时先当他们是浮云吧~

　　第二个V， Variety。

　　关于这一点，百度百科里是这么说的“网络日志、视频、图片、地理位置信息等等”。从专业一点的角度，我们可以说“大数据”中，可以有结构化数据，但更多的是大量的非结构化和半结构化数据。

　　结构化和非结构化数据是什么意思？

　　结构化数据是指，可以存储在数据库里，可以用二维表结构来逻辑表达实现的数据。

　　非结构化数据，是指不方便用数据库二维逻辑表来表现的数据，包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等。

　　而半结构化数据，就是介于完全结构化数据（如关系型数据库、面向对象数据库中的数据）和完全无结构的数据（如声音、图像文件等）之间的数据，HTML文档就属于半结构化数据。它一般是自描述的，数据的结构和内容混在一起，没有明显的区分。

　　上述的描述，其实还是有点不明确。用数据模型的列表来看，区别就更清晰一点了：

　　第三个V，Value。

　　价值密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。

　　第四个V，Velocity。

　　处理速度快。如此庞大的数据量，需要在短时间内迅速响应。所使用的技术，当然是有别于传统的数据挖掘技术的。

　　释疑解惑

　　“梳理完了四个V，咋还是云山雾罩的呢？”

　　下面来回答几个初学者可能思考到的问题吧！

　　针对大数据的四个V，有没有什么对应的技术来应对呢？

　　目前，查询“大数据”，你会发现度娘给出的各种信息中，Hadoop这个词出现的很频繁。而且，很多厂商提供的产品，也都会打上一个标签：“**产品已经并入Hadoop分布式计算平台，以及将Hadoop引入**产品。”

　　什么是Hadoop？

　　Hadoop是由Apache基金会开发的一个分布式系统基础架构。它是一个能够对大量数据进行分布式处理的软件框架。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高速运算和存储。

　　Hadoop包含了如下子项目：

　　1. Hadoop Common： 在0.20及以前的版本中，包含HDFS、MapReduce和其他项目公共内容，从0.21开始HDFS和MapReduce被分离为独立的子项目，其余内容为Hadoop Common

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

　　3. MapReduce：并行计算框架，0.20前使用 org.apache.hadoop.mapred 旧接口，0.20版本开始引入org.apache.hadoop.mapreduce的新API

　　4. HBase： 类似Google BigTable的分布式NoSQL列数据库。

　　5. Hive：数据仓库工具，由Facebook贡献。

　　6. Zookeeper：分布式锁设施，提供类似Google Chubby的功能，由Facebook贡献。

　　7. 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。

　　8. Pig： 大数据分析平台，为用户提供多种接口。

　　作为初学者，我们先拨开一些浮云，看看这里面到底有些什么。有三个主体部分，是我们需要重点关注的：HDFS、MapReduce、HBase。

　　实际上，Apache Hadoop的HDFS是Google File System（GFS）的开源实现。MapReduce是Google MapReduce的开源实现。HBase是Google BigTable的开源实现。

　　Hadoop是一个能够让用户轻松架构和使用的分布式计算平台。它主要有以下几个优点：1高可靠性2高扩展性3高效性4高容错性。用户可以轻松地在Hadoop上开发和运行处理海量数据的应用程序。而实际上，很多公司提供的大数据产品也是基于Hadoop进行开发的。

　　数据存储空间占用大

　　针对数据存储空间占用大，我们需要用到的是“分布式存储”。分布式存储系统，就是将数据分散存储在多台独立的设备上。传统的网络存储系统采用集中的存储服务器存放所有数据，存储服务器成为系统性能的瓶颈，也是可靠性和安全性的焦点，不能满足大规模存储应用的需要。分布式网络存储系统采用可扩展的系统结构，利用多台存储服务器分担存储负荷，利用位置服务器定位存储信息，它不但提高了系统的可靠性、可用性和存取效率，还易于扩展。

　　前面我们介绍到的Hadoop，其中的HDFS就是现今最流行的分布式存储平台之一。

　　HDFS原理简要描述

　　HDFS（Hadoop Distributed File System），是一个分布式文件系统。HDFS有着高容错性（fault-tolerent）的特点，并且设计用来部署在低廉的（low-cost）硬件上。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（requirements）这样可以实现流的形式访问（streaming access）文件系统中的数据。

　　HDFS是一个主从结构的体系，一个HDFS集群是由一个名字节点，它是一个管理文件的命名空间和调节客户端访问文件的主服务器，当然还有的数据节点，一个节点一个，它来管理存储。HDFS暴露文件命名空间和允许用户数据存储成文件。

　　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。

　　内部机制，是将一个文件分割成一个或多个的块，这些块存储在一组数据节点中。名字节点（NameNode）操作文件命名空间的文件或目录操作，如打开，关闭，重命名，等等。它同时确定块与数据节点的映射。数据节点（DataNode）来负责来自文件系统客户的读写请求。数据节点同时还要执行块的创建，删除，和来自名字节点的块复制指示。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。

　　数据类型繁多

　　大数据处理，有如下需求：对数据库高并发读写的需求、对海量数据的高效率存储和访问的需求、对数据库的高可扩展性和高可用性的需求。传统的关系型数据库在此类需求面前束手无策。此时，一个新的概念被引入了----NoSQL。