map 操作会将集合中的元素从一种形式转化成另一种形式，在这种情况下， 输入的键值对会被转换成零到多个键值对输出。其中输入和输出的键必须完全不 同，而输入和输出的值则可能完全不同。  reduce： 某个键的所有键值对都会被分发到同一个 reduce 操作中。确切的说，这个键 和这个键所对应的所有值都会被传递给同一个 Reducer。reduce 过程的目的是将值的集合转换成一个值（例如求和或者求平均），或者转换成另 过程的目的是将值的集合转换成一个值（例如求和或者求平均），或者转换成另 一个集合。这个 Reducer 最终会产生一个键值对。需要说明的是，如果 job 不需 要 reduce 过程的话，那么 reduce 过程也是可以不用的。  task： Hadoop 提供了一套基础设计来处理大多数困难的工作以保证任务可以成功 执行，比如 Hadoop 决定如果将提交的 job 分解为多个独立的 map 和 reduce 任务

核心概念 1.2.1 弹性分布数据集（RDD） RDD 是 Spark 的最基本抽象,是对分布式内存的抽象使用，实现了以操作本地集合的方式 来操作分布式数据集的抽象实现。RDD 是 Spark 最核心的东西，它表示已被分区，不可变的 并能够被并行操作的数据集合，不同的数据集格式对应不同的 RDD 实现。RDD 必须是可序 列化的。RDD 可以 cache 到内存中，每次对 RDD 数据集的操作之后的结果，都可以存放到

要角色。软件栈始于 Hadoop Common 中所包含的基础组件。Hadoop 1 第 章 Hadoop 大数据解决方案 2 Common 是常见工具和库的集合，用于支持其他 Hadoop 模块。和 其他软件栈一样，这些支持文件是一款成功实现的必要条件。而众 所周知的文件系统，Hadoop 分布式文件系统，或者说 HDFS，则是 Hadoop 的核心 HDFS 中的 数据文件 图 1-7 Hadoop 大数据解决方案 14 Oracle 公司为其旗舰数据库引擎和 Hadoop 开发了一款软件。 这是一个实用工具的集合，协助集成 Oracle 的服务与 Hadoop Stack。 大数据连接器套件是一个工具集，提供深入分析和发现信息的能力， 并能快速集成基础设施中存储的所有数据。所有工具均是可扩展的， 如果你已经是或者未来将会成为

（包括Hadoop环境，但不仅限于此）创建完全受治理的数 据生命周期。以下是创建全面数据生命周期的建议步骤： • 查找：利用条款、标记和集合来查找接受治理和监管的 数据源 • 监管：为相关资产添加标记、条款和自定义属性 • 收集：通过收集来捕获资产，并开展具体的分析或治理 工作 • 协作：共享其他内容管理和治理集合 • 治理：创建并引用信息治理策略和规则；应用数据质 量、屏蔽、归档和清除操作 • 卸载：单击HDFS来复制数据并执行分析，以便强化仓库

▪ ImageDatastore 6 tall arrays ▪ tall array – 一种新的数据类型，专门用于处理大数据. – 用于处理数据规模超过单个机器或群集的内存承载能力的数据集合 ▪ 使用方式等同于MATLAB 数组(array) – 支持数据类型包括数值型、字符串、时间类型、表等… – 支持众多基本的数学函数、统计函数、索引函数等. – 支持机器学习算法包括分类、聚类和回归

-y epel-release （3）注意：如果 Linux 安装的是最小系统版，还需要安装如下工具；如果安装的是 Linux 桌面标准版，不需要执行如下操作 ➢ net-tool：工具包集合，包含 ifconfig 等命令 [root@hadoop100 ~]# yum install -y net-tools ➢ vim：编辑器 [root@hadoop100 ~]#