标签：win 分享 随笔 统计 span 工作 round 瓶颈 分享图片
第一天1.大数据典型特性与分布式开发难点
| 1. | 大数据典型特性与分布式开发难点 |
| 2. | Hadoop框架介绍与搜索技术体系介绍 |
| 3. | Hadoop版本与特性介绍 |
| 4. | Hadoop核心模块之HDFS分布式文件系统架构介绍 |
| 5. | Hadoop核心模块之Yarn操作系统架构介绍 |
| 6. | Linux安全禁用设置与JDK安装讲解 |
| 7. | Hadoop伪分布式环境部署HDFS部分 |
| 8. | Hadoop伪分布式环境部署Yarn和MR部分 |
| 9. | Hadoop环境使用常见的错误集合 |
| 10. | Hadoop环境常规设置与辅助功能讲解（-） |
| 11. | Hadoop环境常规设置与辅助功能讲解（二） |
| 12. | Windows环境下部署Eclipse插件注意事项 |
1.大数据典型特性与分布式开发难点
1.大数据典型特性
没有大数据据技术之前，我就以抽样统计为例（统计一个城市的男女人口比例），我们的做法是不是找个人多的地方，随机抽取一部分人，统计出男女比例，作为城市的男女人口比例，这样的误差非常大，数据量越大，统计出来的结果越准确。这样我们就要先解决这么大数据量的存储问题，（这个例子不能体现出数据类型繁多），接下来是不是要解决数据计算的问题，总不能人工一个一个数吧，大数据技术就能为我们解决这些问题。
传统RDBMS 的瓶颈，关系型数据的特点是各个数据项之间有一定的关系，这个在设计数据库的设计阶段必须设计好，但是当今需求中，我们往往分析的数据之间没有关系，例如我们在设计一个推荐系统的时候，要分析客户的行为，客户的行为数据之间就没有相应的关系，结构化数据和非结构化数据共存使数据多样化。
海量的数据，这么大的数据量，我们还要处理的非常快。这对技术是很大的挑战。这就是大数据的特性
多：这里的多就是海量数据,我们要解决海量数据的存储问题
繁：结构化，非结构化，半结构化数据的共存
快：这么大的数据量，这么繁多的不同类型的数据，还要处理的快，不然就会成为系统的瓶颈。
我们的最终目的是挖掘出有用的，有价值的数据。
2.大数据的能做什么？
3.一个数据平台的工作（完整的平台）
3.1离线
-》批量计算
3.2 实时
-》流式计算
-》在线分析
3.3数据共享
4.数据平台指标
-》设备台数：5000台
-》总存储数量：100PB+
-》日新增数量：200TB+，月数据增长比率10%
-》有多个数据产品
-》存储表10w+
-》日均运行JOB数
-》日均计算量5PB+
5.分布式开发的难点
-》平台搭建
-》分布式
-》同步，一致性（配置（会搭建很多框架），时间（微妙误差））
-》自动化部署管理平台
-》cloudera 发布的hadoop版本 CDH
-》cloudera manager,简称：CM
-》框架是开源的 不可靠
所以很多公司都是以开源框架为基础，开发自己的框架，例如：淘宝的 TFS文件系统
任务调度框架oozie，淘宝自己的框架 宙斯 。
-》成本的问题
由于集群用到的机器比较廉价，所以会出现节点故障，我们必须有相应的容错机制，保证集群的健壮性。
6.学习大数据的基础：
自己学习的随笔，在组织存在问题，不喜勿说
标签：win 分享 随笔 统计 span 工作 round 瓶颈 分享图片
原文地址：http://blog.51cto.com/10484979/2064073
