1. 大数据启蒙

学习视频
大数据多，复杂度很重要，

• 内存不够，分治处理
• IO仍成为瓶颈，多机器并行
• 多机器间通信也可以并行，但仍是个问题
  • 分发上传，累计计算的话，多台同时跑+通信也比一台快

总结（大数据的重点）

• 分而治之
• 并行计算
• 计算向数据移动：数据移动化成本高
• 数据本地化读取

1.1 意义

1.1.1 查找元素

1w个元素中查找X？
线性查找：O(N)
想要O(4)呢？hash

1.1.2 单机处理大数据问题

大文本，仅两行一样，想要找出。
单机，内存小（几十兆）

2. 如果文件中全是数字，做排序呢？
桶排序：外部有序，内部无序
先分到不同桶里，再给桶内排序

归并：一次读50M排序，第二次在读50M对这个50M排序–外部无序，内部无序

单机IO瓶颈，所以多机器并行

多台机器并行操作，处理速度快，但不同机器间网络通信?

1.2 历史

Hadoop
NDFS（一开始的文件系统）
hadoop.apache.org:顶级项目

1.3 hadoop

hadoop项目包含：
1.x:
hadoop common
hdfs(hadoop distributed file system
hadoop mapreduce
2.x:
新增yarn：job管理、资源分配

其他相关项目（生态圈）：
Hbase：
Hive：sql、数仓
Spark：用内存，更快，是hadoop的十倍
Zookeeper:协调服务
…

网站：www.cloudera.com
ducumentation:选择版本
目前企业版本：5.16.X–可靠，hadoop2.6
原来：batch批量计算
flink/spark:全栈的

• flink:阿里用的多：流式计算，来一个搞一个/5min跑一次
  • 可以实时
• spark:伪实时