1.Hadoop背景介绍
1.1 什么是Hadoop
（1）**Hadoop**是Apache旗下一套开源软件平台（2）**Hadoop**提供的功能：利用**服务器集群**，根据用户的自定义业务逻辑，对**海量数据进行分布式处理**（3）Hadoop的核心组件： 1.2Hadoop产生背景
（1）Nutch（2）谷歌（3）开源 1.3Hadoop在大数据、云计算中的位置、关系
（1）云计算（2）云计算的两大底层支撑技术（3）Hadoop 1.4Hadoop应用案例举例
（1）Hadoop应用于数据服务基础平台建设（2）Hadoop用于用户画像（3）Hadoop用于网站点击流日志数据挖掘 1.5Hadoop的就业情况
（1）Hadoop就业整体情况（2）Hadoop的就业职位要求（3）Hadoop相关职位的薪资水平 1.6Hadoop生态圈以及各组成部分的简介 2.数据分析流程介绍
2.1案例需求描述2.2数据来源2.3数据流程解析2.4项目技术架构图2.5项目最终效果
无处不在的大数据：
大数据的爆炸式增长
大数据的特征（4V特性）
大数据与我们的生活息息相关
思考：那么我们面对这些数据，怎么去操作（存储、分析等）它呢？
我们的
Hadoop就是在这样的场景下应运而生的
HDFS（分布式文件系统**）
**MapReduce**（**分布式运算框架**）
YARN**（**运算资源调度系统**）
1.2Hadoop产生背景
（1）Nutch
Hadoop最早起源于Nutch，Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决十亿网页的存储和索引问题。
（2）谷歌2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。
——分布式文件系统（GFS），可用于处理海量网页的存储
——分布式计算框架（MapReduce），可用于处理海量网页的索引计算问题
Nutch的开发人员完成了相应的开源实现HDFS和MapReduce，并从Nutch中剥离成为独立的项目Hadoop，到2018年1月，Hadoop成为Apache顶级项目，迎来了它的快速发展期。
1.3Hadoop在大数据、云计算中的位置、关系 （1）云计算云计算是分布式计算、并行计算、网络计算、多核计算、网络存储、虚拟化、负载均衡等传统计算机技术和互联网技术融合发展的产物。借助==IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS（软件即服务）==等业务模式，把强大的计算能力提供给终端用户。
（2）云计算的两大底层支撑技术虚拟化；
大数据技术；
3.而HADOOP则是云计算的PaaS层的解决方案之一，并不等同于PaaS，更不等同于云计算本身。
1.4Hadoop应用案例举例 （1）Hadoop应用于数据服务基础平台建设 （2）Hadoop用于用户画像 （3）Hadoop用于网站点击流日志数据挖掘分析：哪个页面点击的人比较多，哪个页面跳出的人比较多
A：大数据产业已纳入国家十三五规划
B：各大城市都在进行智慧城市项目建设，而智慧城市的根基就是大数据综合平台
C：互联网时代数据的种类、增长都呈现爆炸式增长，各行业对数据的价值日益重视
D：相对于传统的JavaEE技术领域来说，大数据领域的人才相对稀缺
E：随着社会现代化的发展，数据处理和数据挖掘的重要性只会增不会减，因此，大数据技术是一个尚在蓬勃发展且具有长远前景的领域
大数据是个复合专业，包括应用开发、软件平台、算法、数据挖掘等，因此，大数据技术领域的就业选择是多样的，但就HADOOP而言，通常都需要具备以下技能或知识：
A.HADOOP分布式集群的平台搭建
B.HADOOP分布式文件系统HDFS的原理理解及使用
C.HADOOP分布式运算框架MAPREDUCE的原理理解及编程
D.Hive数据仓库工具的熟练应用
E.Flume、sqoop、oozie等辅助工具的熟练使用
F.Shell/python等脚本语言的开发能力
大数据技术或具体到HADOOP的就业需求目前主要集中在北上广深一线城市，薪资待遇普遍高于传统JAVAEE开发人员，以北京为例：
各组件简介：
重点组件：
HDFS：分布式文件系统
MAPREDUCE：分布式运算程序开发框架
HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具
Hbase：基于HADOOP的分布式海量数据库
ZOOKEEPER：分布式协调服务基础组件
Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
Oozie：工作流调度框架（Azakaba）
Sqoop：数据导入导出工具
Flume：日志数据采集框架
初步理解Hadoop数据如何处理流程
一个应用广泛的数据分析系统：“web日志数据挖掘”
“Web点击流日志”包含着网站运营很重要的信息，通过日志分析，我们可以知道网站的访问量，哪个网页访问人数最多，哪个网页最有价值，广告转化率、访客的来源信息，访客的终端信息等。
2.2数据来源本案例的数据主要由用户的点击行为记录
获取方式：在页面预埋一段js程序，为页面上想要监听的标签绑定事件，只要用户点击或移动到标签，即可触发ajax请求到后台servlet程序，用log4j记录下事件信息，从而在web服务器（nginx、tomcat等）上形成不断增长的日志文件。
本案例跟典型的BI系统极其类似，整体流程如下：
但是，由于本案例的前提是处理海量数据，因而，流程中各环节所使用的技术则跟传统BI完全不同，后续都会一一实战解决：
1)数据采集：定制开发采集程序，或使用开源框架FLUME
2)数据预处理：定制开发mapreduce程序运行于hadoop集群
3)数据仓库技术：基于hadoop之上的Hive
4)数据导出：基于hadoop的sqoop数据导入导出工具
5)数据可视化：定制开发web程序或使用kettle等产品
6)整个过程的流程调度：hadoop生态圈中的oozie工具或其他类似开源产品
经过完整的数据处理流程后，会周期性输出各类统计指标的报表，在生产实践中，最终需要将这些报表数据以可视化的形式展现出来，本案例采用web程序来实现数据可视化，效果如下：
