Hadoop

Hadoop核心
Hadoop的核心就是HDFS和MapReduce，而两者只是理论基础，不是具体可使用的高级应用，Hadoop旗下有很多经典子项目，比如HBase、Hive等，这些都是基于HDFS和MapReduce发展出来的。要想了解Hadoop，就必须知道HDFS和MapReduce是什么。
HDFS
HDFS（Hadoop Distributed File System，Hadoop分布式文件系统），它是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，适合那些有着超大数据集（large data set）的应用程序。

MapReduce
通俗说MapReduce是一套从海量·源数据提取分析元素最后返回结果集的编程模型，将文件分布式存储到硬盘是第一步，而从海量数据中提取分析我们需要的内容就是MapReduce做的事了。

HBase
HBase是一个分布式的、面向列的开源数据库，由Apache基金会开发。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。 它基于列的而不是基于行的模式。用户存储数据行在一个表里。一个数据行拥有一个可选择的键和任意数量的列。用户可根据键访问行，以及对于一系列的行进行扫 描和过滤。HBase一个可以横向扩张的表存储系统，能够为大规模数据提供速度极快的低等级更新。主要用于需要随机访问，实时读写大数据(Big Data)。这正是信息系统所需要的功能。

Hive（数据仓库工具）
hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
Hive是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 HQL，它允许熟悉 SQL 的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。

面对“大数据”，Hadoop为揭示深奥的企业与外部数据的关键内幕提供了基础。从技术上看，Hadoop分布式文件系统(HDFS)保证了大数据的可靠存储，而另一Hadoop核心组件MapReduce则提供高性能并行数据处理服务。这两项服务提供了一个使对结构化和复杂“大数据”的快速、可靠分析变为现实的基础。

虽然Hadoop是用java写的，但是Hadoop提供了Hadoop流，Hadoop流提供一个API, 允许用户使用任何语言编写map函数和reduce函数.
Hadoop流使用UNIX标准流作为程序与Hadoop之间的接口。因此，任何程序只要可以从标准输入流中读取数据，并且可以把数据写入标准输出流中，那么就可以通过Hadoop流使用任何语言编写MapReduce程序的map函数和reduce函数。

Storm

一、简要介绍
对于大数据的处理，在离线方面，Hadoop很完美地解决了，对于实时数据的处理则无能为力。
Storm是一个开源的分布式实时计算系统，可以简单、可靠地处理大量的数据流。
Storm有很多使用场景，如实时分析、在线机器学习、持续计算、分布式RPC、ETL等。
Storm支持水平扩展，具有高容错性，保证每个消息都会得到处理，而且处理速度很快（在一个小集群中，每个节点每秒可以处理数以百万计的消息）。
Storm的部署和运维都很便捷，而且更为重要的是可以使用任意编程语言来开发应用。

二、系统特性
1、编程模型简单
Storm为大数据的实时计算提供了一些简单优美的原语，这大大降低了开发并行实时处理任务的复杂性，帮助你快速、高效的开发应用。
2、可扩展
在Storm集群中真正运行Topology的主要有三个实体：工作进程、线程和任务。
Storm集群中的每台机器上都可以运行多个工作进程，每个工作进程又可创建多个线程，每个线程可以执行多个任务，任务是真正进行数据处理的实体，Spout、Bolt被开发出来就是作为一个或者多个任务的方式执行的。
3、高可靠性
Storm可以保证Spout发出的每条消息都能被“完全处理”，Spout发出的消息后续可能会触发产生成千上万条消息，可以形象地理解为一棵消息树，其中Spout发出的消息为树根，Storm会跟踪这个消息树的处理情况，只有这棵树中的所有消息被处理了才认为“完全处理”了，否则Spout会重发消息。
4、高容错性
如果在消息处理过程中出现了一些异常，Storm会重新部署这个出问题的处理单元。Storm保证一个处理单元永远运行（除非你显示的结束这个处理单元）。
5、支持多种编程语言
除了用Java实现Spout和Bolt，你还可以使用任何你熟悉的编程语言来完成这项工作，这一切得益于Storm所谓的多语言协议。
多语言协议是Storm内部的一种特殊协议，允许Spout或者Bolt使用标准输入和标准输出来进行消息传递，传递的消息为单行文本或者JSON编码的多行。
6、支持本地模式
Storm有一种“本地模式”，也就是在进程中模拟一个Storm集群的所有功能，以本地模式运行Topology跟在集群上运行Topology类似，这对于我们开发和测试来说非常有用。
7、高效
用ZeroMQ作为底层消息队列，保证消息能快速被处理。
8、运维和部署简单
Storm计算任务是以“拓扑”为基本单位的，每个拓扑完成特定的业务指标，拓扑中的每个逻辑业务节点实现特定的逻辑，并通过消息相互协作。
实际部署时，仅需要根据情况配置逻辑节点的并发数，而不需要关心部署到集群中的哪台机器，Storm支持动态增加节点但不会自动负载均衡。
9、图形化监控
图形界面，可以监控各个拓扑的信息，包括每个处理单元的状态和处理消息的数量。

三、类似系统
这里主要将Yahoo!S4和IBM InfoSphere Streams与Storm进行对比。
1、Yahoo!S4
（1）系统模型：通过把任务分解为尽可能小的处理单元，各处理单元之间形成流水线，从而提高并发度和吞吐量，处理单元的粒度由开发者自行把握，这点与Storm相似，不同的是S4内置的处理单元PE还可以处理count、join和aggregate等常见任务需求。
（2）开发：S4使用Java开发，模块高度可定制化。
（3）通信协议：S4节点间通信采用POJOs（Plain Old Java Objects）模式，底层通信协议采用UDP。
（4）高可用：S4集群中所有节点对等，无单点问题。
（5）运维与部署：S4不支持动态部署和动态增删节点，这两点Storm都支持。
2、IBM InfoSphere Streams
（1）系统模型：通过把任务分解为尽可能小的处理单元，各处理单元之间形成流水线，从而提高并发度和吞吐量，各处理单元只能完成预定的操作（如：join、merge等），强制限制每个处理单元的粒度。
（2）开发：定制的开发环境Eclipse-SPL(Steam Programming Language)。
（3）高可用：与S4和Storm一样支持故障转移。
（4）运维与部署：部署半自动化，支持动态增加节点，且根据负载自动均衡，这点Storm不支持。

四、应用模式
1、海量数据处理
Storm由于其高效、可靠、可扩展、易部署、高容错及实时性高等特点，对于海量数据的实时处理非常合适。
比如：统计网站的页面浏览量（如：Page View即PV）指标，Storm可以做到实时接收到点击数据流，并实时计算出结果。
2、中间状态存储与查询
对于Storm实时计算出的中间结果，可以实时写入MySQL或者HBase，以便于用户查询。
3、数据增量更新
对于PV指标的计算，如果直接实时修改HBase，则HBase压力会很大。
可以将数据在Storm内计算短暂的一段时间后，增量地合并到HBase，以牺牲一定查询结果的实时性换取HBase压力的减轻。
4、结合概率算法实时计算复杂指标
Storm实时处理数据，相对离线处理而言需要大量内存存储中间状态，为了减少内存的消耗，可以根据业务特点（如：Unique Visitor即UV）采用概率算法近似计算结果。

数据的度量单位

最小的基本单位是Byte，按顺序给出所有单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB，它们按照进率1024（2的十次方）来计算：

1 Byte = 8 bit
1 KB = 1,024 Bytes
1 MB = 1,024 KB = 1,048,576 Bytes
1 GB = 1,024 MB = 1,048,576 KB
1 TB = 1,024 GB = 1,048,576 MB
1 PB = 1,024 TB = 1,048,576 GB
1 EB = 1,024 PB = 1,048,576 TB
1 ZB = 1,024 EB = 1,048,576 PB
1 YB = 1,024 ZB = 1,048,576 EB
1 BB = 1,024 YB = 1,048,576 ZB
1 NB = 1,024 BB = 1,048,576 YB
1 DB = 1,024 NB = 1,048,576 BB