云计算

1.大数据概述

本文主要是介绍1.大数据概述,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

1.列举Hadoop生态的各个组件及其功能、以及各个组件之间的相互关系,以图呈现并加以文字描述。

(1)HDFS分布式文件系统

  HDFS可以兼容廉价的硬件设备,利用较低成本的及其实现大流量和大数据量的读写。

(2)MapReduce

  MapReduce是分布式并行编程模型,用户大规模数据集的并行计算,让不会分布式并行编程的技术人员,也可以将程序运行在分布式系统上,实现海量数据集的计算。

(3)YARN

  YARN是集群资源调度管理的组件,在YARN之上部署其他计算框架,由YARN统一进行资源分配。

(4)HBase

  HBase可以支持超大规模数据存储,它可以通过水平扩展的方式,利用廉价计算机集群处理由超过10亿行元素和数百万列元素组成的数据表

(5)Hive

  对存储在Hadoop文件中的数据集进行数据整理、特殊查询和分析处理。

(6)Flume

  Flume支持在日志系统中定制各类数据发送方,用于收集数据;同时,Flume提供对数据进行简单处理,并写到各种数据接收方的能力。

(7)Sqoop

  用来在Hadoop和关系数据库之间交换数据,可以改进数据的互操作性。

2.对比Hadoop与Spark的优缺点。

(1)性能

  Spark在内存中处理数据相比于Hadoop使用磁盘io进行操作速度更快

(2)易用性

  Spark支持Scala、Java、Python、Spark SQL等语言等,Spark可以使用交互模式操作获得实时反馈。

MapReduce没有交互模式。

(3)成本

  Spark在数据多大PB的情况下依然有非常高的处理速度。被用于在数量只有十分之一的机器上,对100TB数据进行排序的速度比Hadoop MapReduce快3倍。

(4)兼容性

  MapReduce和Spark相互兼容;MapReduce通过JDBC和ODC兼容诸多数据源、文件格式和商业智能工具,Spark具有与MapReduce同样的兼容性。

3.如何实现Hadoop与Spark的统一部署?

不同的计算框架统一运行在YARn之上,由YARN进行资源调度和管理,计算资源按需伸缩,不需要负载应用混搭,提高集群利用率,共享底层存储,避免数据跨集群迁移。

这篇关于1.大数据概述的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!