大数据系统包括哪些

目前，主流的大数据平台包括：Hadoop、Spark。

Hadoop是分布式（根据网络资料理解：分布式与集中式相对应，对于大量数据计算，集中于一台计算机中计算需耗费较长时间，通过将计算分布于多个计算机，节约整体计算时间）系统基础架构。Hadoop的两个功能包括：数据存储（HDFS）、数据处理（MapReduce）。

Spark是专为大规模数据处理而设计的快速通用计算引擎。Spark不提供文件管理系统，没有数据存储功能；Spark的数据计算基于内存实现，数据处理速度快。

一、HDFS（分布式文件存储）

数据通过HDFS放置于一个Hadoop集群中，Hadoop集群通常由几台至上千台的计算机组成。根据课程介绍理解，百度公司最大的Hadoop集群已超过4000台计算机。

数据在存储于HDFS前，被分割成若干数据块，每个数据块储存于一台计算机中。不同Hadoop版本所分割的数据块大小不同，Hadoop1.0版本中数据块大小为64MB，Hadoop2.0版本中数据块大小为128MB。Hadoop也可以设置数据块大小（含个人理解）。

图片来源：学堂在线《大数据导论》

二、MapReduce（分布式数据处理架构）

MapReduce是分布式计算框架。开发人员在运用MapReduce处理数据时，MapReduce将指定某一Map函数，将一组键值对（根据网络资料理解：键值对可以根据一个值获得对应的一个值）映射成一组新的键值对，并指定并发的Reduce函数，保证所有Map函数映射的结果可以进行Reduce规约（根据网络资料理解：通过某一连接动作将所有元素汇总为一个结果的过程）运算。

图片来源：学堂在线《大数据导论》

在运用MapReduce框架编写计算机程序时，开发人员只需考虑业务逻辑，不需考虑并行管理。

三、MapReduce的WordCount示例

WordCount是统计文件夹所有文本中某一词出现的次数。

其中，WordCount的Map函数程序代码如下：

Map(K, V){

For each word w in V

Collect(w,1);

}

WordCount的Map函数中的K代表文本中的词，WordCount的Map函数的功能是将文本中的每个词与1建立键值对，即每个词对应一个“1”。

WordCount的Reduce函数程序代码如下：

Reduce(K.V[]){

int count=0;

For each v in V

count+= v;

Collect(K,count);

}

WordCount的Reduce函数将经过WordCount的Map函数处理的相同词对应的“1”求和，得出某一词的出现的次数。

该WordCount示例中，Map和Reduce函数的具体运行如图一所示：

首先，所有数据被整理成单行数据，图一流程图中具有三个节点（个人理解：节点可被认为是计算机），图一中的三行数据被分行输入到三个节点中。

然后，Map函数运行，将每个词与1建立键值对。

Map函数运行结束后，Shuffle过程运行，Shuffle过程是MapReduce内设过程，可将具有相同词的键值对中的“1”集合至一个List（列表）中。如图一所示，因为“Bear”一词出现了两次，所以经过Shuffle过程后，“Bear”所对应的List为（1,1）。

最后，Reduce函数运行，将Shuffle过程所生成的List求和，完成对某一词出现的次数统计。

图一，图片来源：学堂在线《大数据导论》

审核编辑：刘清