1.Hadoop介绍

1. Hadoop介绍

1.1 什么是Hadoop

1. 开源的，可靠的，分布式的，可伸缩的
2. 提供的功能: 利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理

1.2 处理方式

1. 大众角度
   1. 数据量大，海量
2. 技术人员角度
   1. 如何存储
   2. 如何计算
3. 公司决策层

1.3 分布式

1. 由分布在不同主机上的进程协同在一起，构成整个应用。
2. 分布式软件系统
   1. 该软件系统会划分成多个子系统或模块，各自运行在不同的机器上，子系统或者模块之间通过网络通信进行写协作，实现最终整体功能

1.4 Hadoop产生背景

1. HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。
2. 2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。
   ——分布式文件系统（GFS），可用于处理海量网页的存储
   ——分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。
   Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展

1.5 Hadoop现状

1.6 国内外应用案例

1. HADOOP应用于数据服务基础平台建设

   

2. 用于用户画像

   

3. 用于网站点击日志数据挖掘

   

1.7 Hadoop生态圈及组成部分

1. HDFS：分布式文件系统
2. MAPREDUCE：分布式运算程序开发框架
3. HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具
4. HBASE：基于HADOOP的分布式海量数据库
5. ZOOKEEPER：分布式协调服务基础组件
6. Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
7. Oozie：工作流调度框架
8. Sqoop：数据导入导出工具
9. Flume：日志数据采集框架

2. 大数据分析流程

Web日志数据挖掘

2.1 案例名称

一般中型的网站(10W的PV以上)，每天会产生1G以上Web日志文件。大型或超大型的网站，可能每小时就会产生10G的数据量。
具体来说，比如某电子商务网站，在线团购业务。每日PV数100w，独立IP数5w。用户通常在工作日上午10:00-12:00和下午15:00-18:00访问量最大。日间主要是通过PC端浏览器访问，休息日及夜间通过移动设备访问较多。网站搜索浏量占整个网站的80%，PC用户不足1%的用户会消费，移动用户有5%会消费。

2.2 需求描述

“Web点击流日志”包含着网站运营很重要的信息，通过日志分析，我们可以知道网站的访问量，哪个网页访问人数最多，哪个网页最有价值，广告转化率、访客的来源信息，访客的终端信息等。

2.3 数据来源

可以采用浏览器潜入指定js程序 监听用户点击事件 通过ajax方式将相关信息吐到后端服务器上写入到服务器日志

2.4 数据处理流程图

1. 数据采集：定制开发采集程序，或使用开源框架FLUME
2. 数据预处理：定制开发mapreduce程序运行于hadoop集群
3. 数据仓库技术：基于hadoop之上的Hive
4. 数据导出：基于hadoop的sqoop数据导入导出工具
5. 数据可视化：定制开发web程序或使用kettle等产品
6. 整个过程的流程调度：hadoop生态圈中的oozie工具或其他类似开源产品

2.5 项目技术架构图

2.6 可视化

2.7 整体架构图