大數據是不能用傳統的計算技術處理的大型數據集的集合。它不是一個單一的技術或工具，而是涉及的業務和技術的許多領域。

目前主流的三大分布式計算系統分別為:Hadoop、Spark和Strom：

Hadoop當前大數據管理標準之一，運用在當前很多商業應用系統。可以輕松地集成結構化、半結構化甚至非結構化數據集。

Spark采用了內存計算。從多叠代批處理出發，允許將數據載入內存作反復查詢，此外還融合數據倉庫，流處理和圖形計算等多種計算範式。Spark構建在HDFS上，能與Hadoop很好的結合。它的RDD是一個很大的特點。

Storm用於處理高速、大型數據流的分布式實時計算系統。為Hadoop添加了可靠的實時數據處理功能

Hadoop是使用Java編寫，允許分布在集群，使用簡單的編程模型的計算機大型數據集處理的Apache的開源框架。 Hadoop框架應用工程提供跨計算機集群的分布式存儲和計算的環境。 Hadoop是專為從單一服務器到上千臺機器擴展，每個機器都可以提供本地計算和存儲。

Hadoop適用於海量數據、離線數據和負責數據，應用場景如下：

場景1：數據分析，如京東海量日誌分析，京東商品推薦，京東用戶行為分析

場景2：離線計算，（異構計算+分布式計算）天文計算

場景3：海量數據存儲，如京東的存儲集群

基於京麥業務三個實用場景

京麥用戶分析

京麥流量分析

京麥訂單分析

都屬於離線數據，決定采用Hadoop作為京麥數據類產品的數據計算引擎，後續會根據業務的發展，會增加Storm等流式計算的計算引擎，下圖是京麥的北鬥系統架構圖：

(圖一)京東北鬥系統

二、淺談Hadoop的基本原理

Hadoop分布式處理框架核心設計

HDFS ：(Hadoop Distributed File System)分布式文件系統

MapReduce： 是一種計算模型及軟件架構

2.1 HDFS

HDFS（Hadoop File System），是Hadoop的分布式文件存儲系統。

將大文件分解為多個Block，每個Block保存多個副本。提供容錯機制，副本丟失或者宕機時自動恢復。默認每個Block保存3個副本，64M為1個Block。將Block按照key-value映射到內存當中。

(圖二)數據寫入HDFS

(圖三)HDFS讀取數據

2.2 MapReduce

MapReduce是一個編程模型，封裝了並行計算、容錯、數據分布、負載均衡等細節問題。MapReduce實現最開始是映射map，將操作映射到集合中的每個文檔，然後按照產生的鍵進行分組，並將產生的鍵值組成列表放到對應的鍵中。化簡（reduce）則是把列表中的值化簡成一個單值，這個值被返回，然後再次進行鍵分組，直到每個鍵的列表只有一個值為止。這樣做的好處是可以在任務被分解後，可以通過大量機器進行並行計算，減少整個操作的時間。但如果你要我再通俗點介紹，那麽，說白了，Mapreduce的原理就是一個分治算法。

算法：

MapReduce計劃分三個階段執行，即映射階段，shuffle階段，並減少階段。

映射階段：映射或映射器的工作是處理輸入數據。一般輸入數據是在文件或目錄的形式，並且被存儲在Hadoop的文件系統（HDFS）。輸入文件被傳遞到由線映射器功能線路。映射器處理該數據，並創建數據的若幹小塊。

減少階段：這個階段是：Shuffle階段和Reduce階段的組合。減速器的工作是處理該來自映射器中的數據。處理之後，它產生一組新的輸出，這將被存儲在HDFS。

(圖四)MapReduce

2.3 HIVE

hive是基於Hadoop的一個數據倉庫工具，可以將結構化的數據文件映射為一張數據庫表，並提供完整的sql查詢功能，可以將sql語句轉換為MapReduce任務進行運行，這套SQL 簡稱HQL。使不熟悉mapreduce 的用戶很方便的利用SQL 語言查詢，匯總，分析數據。而mapreduce開發人員可以把己寫的mapper 和reducer 作為插件來支持Hive 做更復雜的數據分析。

(圖五)HIVE體系架構圖

由上圖可知，hadoop和mapreduce是hive架構的根基。Hive架構包括如下組件：CLI（command line interface）、JDBC/ODBC、Thrift Server、WEB GUI、metastore和Driver(Complier、Optimizer和Executor)。

三、Hadoop走過來的那些坑

進行HIVE操作的時候，HQL寫的不當，容易造成數據傾斜，大致分為這麽幾類：空值數據傾斜、不同數據類型關聯產生數據傾斜和Join的數據偏斜。只有理解了Hadoop的原理，熟練使用HQL，就會避免數據傾斜，提高查詢效率。
歡迎工作一到五年的Java工程師朋友們加入Java架構開發： 855835163
群內提供免費的Java架構學習資料（裏面有高可用、高並發、高性能及分布式、Jvm性能調優、Spring源碼，MyBatis，Netty,Redis,Kafka,Mysql,Zookeeper,Tomcat,Docker,Dubbo,Nginx等多個知識點的架構資料）合理利用自己每一分每一秒的時間來學習提升自己，不要再用"沒有時間“來掩飾自己思想上的懶惰！趁年輕，使勁拼，給未來的自己一個交代！

基於Hadoop大數據分析應用場景與實戰