Hadoop平台下加权马氏距离的Web大数据分析研究
利用Hadoop技术实现大数据分析与处理
利用Hadoop技术实现大数据分析与处理随着信息化时代的到来，数据量呈爆发式增长，如何将这些海量的数据有效地处理和分析成为了企业和机构面临的一项重要任务。
而随着Hadoop技术的发展和应用，大数据分析和处理变得更加高效和可行。
Hadoop是一个开源的分布式系统框架，主要用于大规模数据的存储和处理。
它可以通过水平扩展的方式处理海量的数据，同时具备高可靠性和容错能力，因此成为了大数据分析和处理的重要技术。
其主要组成部分包括Hadoop Distributed File System（HDFS）和MapReduce。
其中，HDFS是一种分布式文件系统，可以通过将文件切分为多个存储块，并复制到多个服务器上，以实现可靠性存储和快速访问；而MapReduce则是一种基于分布式计算的编程模型，可以有效地实现数据的分布式处理和计算。
利用Hadoop技术进行大数据分析和处理，通常可以分为以下几个步骤：1. 数据收集与存储首先，需要收集大量的数据，并将其存储在HDFS中。
在存储时，需要考虑存储块大小、数据可靠性和访问速度等因素。
2. 数据预处理由于大数据通常存在着数据质量问题，如数据缺失、异常值、重复值等，因此需要对其进行预处理，以提高数据质量和分析效果。
预处理主要包括数据清洗、数据集成、数据转换和数据规约等过程。
3. 数据分析与处理利用Hadoop中的MapReduce编程模型，可以对海量数据进行高效的分布式计算和处理。
在编写MapReduce程序时，需要定义Map函数和Reduce函数，其主要功能是将数据分为多个键值对，并对其进行聚合和统计分析。
4. 数据可视化与报告最后，可以通过数据可视化和报告等方式进行数据展示和交流，以便更好地理解和应用分析结果。
总之，利用Hadoop技术进行大数据分析和处理不仅可以提高数据处理和分析的效率和可行性，同时也可以为企业和机构提供更准确的数据决策。
基于Hadoop的大数据分析和处理技术研究
基于Hadoop的大数据分析和处理技术研究一、引言随着互联网的快速发展和智能化技术的不断进步，大数据已经成为当今社会中不可或缺的重要资源。
大数据的分析和处理对于企业决策、市场营销、科学研究等领域都具有重要意义。
而Hadoop作为一个开源的分布式计算框架，为大数据的存储和处理提供了有效的解决方案。
本文将围绕基于Hadoop的大数据分析和处理技术展开深入研究。
二、Hadoop技术概述Hadoop是一个由Apache基金会开发的分布式系统基础架构，主要用于存储和处理大规模数据集。
其核心包括Hadoop Distributed File System（HDFS）和MapReduce计算模型。
HDFS用于存储大规模数据，而MapReduce则用于并行处理这些数据。
除此之外，Hadoop生态系统还包括了许多其他组件，如YARN、HBase、Hive等，为用户提供了更加全面的大数据解决方案。
三、大数据分析与处理技术1. 数据采集与清洗在进行大数据分析之前，首先需要进行数据采集和清洗工作。
数据采集是指从各种数据源中收集原始数据，而数据清洗则是对这些原始数据进行去重、去噪声、填充缺失值等预处理工作，以确保数据的质量和完整性。
2. 数据存储与管理Hadoop的HDFS提供了高可靠性、高扩展性的分布式文件存储系统，可以存储PB级别甚至更大规模的数据。
同时，HBase等组件也提供了NoSQL数据库的支持，为用户提供了更加灵活的数据管理方式。
3. 数据处理与计算MapReduce是Hadoop中用于并行计算的编程模型，通过将任务分解成Map和Reduce两个阶段来实现并行计算。
用户可以编写自定义的MapReduce程序来实现各种复杂的数据处理任务，如排序、聚合、过滤等。
4. 数据分析与挖掘除了基本的数据处理功能外，Hadoop还提供了丰富的数据分析和挖掘工具，如Pig、Hive、Spark等。
这些工具可以帮助用户进行更加复杂和深入的数据分析工作，从而发现隐藏在海量数据背后的有价值信息。
基于Hadoop的大数据分析研究
基于Hadoop的大数据分析研究一、引言在当今信息化时代，数据已经成为企业最重要的资产之一，大数据分析技术也越来越受到重视。
Hadoop作为一种基于分布式计算的框架，能够处理海量的数据，并支持大规模的数据分析和存储操作。
因此，基于Hadoop的大数据分析已成为当前热门的研究方向。
本文将从Hadoop的基本概念出发，阐述大数据分析的意义和方法，最后探讨基于Hadoop的大数据分析应用。
二、Hadoop的基本概念Hadoop是基于Apache开源框架的分布式数据处理系统，主要用于存储和处理大型分布式数据集。
Hadoop背后的思想是将一个数据集分散到多个系统上进行处理，以便能够更快地处理大量的数据。
Hadoop由两个核心组件组成：Hadoop Distributed File System （HDFS）和MapReduce计算模型。
其中HDFS是一种分布式文件系统，能够存储大规模数据集，并能够在集群之间进行自动数据备份。
而MapReduce计算模型则通过分发计算任务到不同的节点，将数据处理任务分解成较小的任务并完成数据的分发和汇总。
三、大数据分析的意义和方法1. 大数据分析的意义随着互联网和智能设备的普及，海量数据的产生已成为了一种趋势，这些数据往往包含着宝贵的商业价值，如用户行为、消费习惯、流行指数等等。
利用大数据分析技术，可以挖掘数据背后潜在的价值，优化产品设计和市场营销策略，提高企业效率等等。
2. 大数据分析的方法大数据分析需要从数据获取、清洗、处理、存储等多个环节来实现，其中最重要的是数据处理环节。
常用的大数据处理技术包括如下三种：（1）MapReduce技术：利用MapReduce计算模型，将数据处理任务分解成较小的任务并完成数据的分发和汇总，从而提高数据处理效率。
（2）Hive技术：Hive是一种基于Hadoop的数据仓库工具，能够通过SQL语句查询数据，提供类似于传统数据库的操作方式。
（3）Spark技术：Spark是一种新型的大数据处理框架，能够在内存中进行快速的大规模数据处理，同时支持多种编程语言。
Hadoop大数据处理技术分析
Hadoop大数据处理技术分析一、Hadoop的概念与架构Hadoop是目前最流行、使用最广泛的大数据处理技术之一。
其底层基于HDFS（Hadoop Distributed File System）文件系统，可以横向扩展分布式存储，允许数据的快速存储、检索和处理。
上层则是MapReduce处理模型，用于分布式处理大规模数据并行计算任务。
其架构如下图所示：其中，Hadoop Cluster由一组服务器集合组成，每个服务器节点都有计算和存储能力。
二、Hadoop文件系统(HDFS)HDFS是Hadoop的分布式文件系统，它能够存储海量的数据并且可以持久保存文件。
HDFS是以块的形式来存储文件数据的，块的大小取决于Hadoop的配置，一般为64MB或128MB。
文件在HDFS中被分成一个或多个块存储。
HDFS是一种高吞吐量、适用于大数据集的存储系统。
它适合存储那些需要写一次，读多次，并且数据规模大的数据集，可以支持数据的并行处理。
三、Hadoop的MapReduce模型MapReduce是一种分布式运算模型，其算法架构包括两个阶段：Map(映射)和Reduce(聚合)。
MapReduce的核心思想是将任务划分成许多小任务，这些小任务可以在不同的机器上并行执行。
下面是MapReduce的详细流程：1. 计算框架首先将数据集拆分成若干份，然后分发给不同的Map任务；2. 每个Map任务都会对其分配的数据做映射处理，结果将生成中间数据；3. 计算框架将中间数据归并到一起（即Shuffle & Sort），将数据分发给不同的Reduce任务；4. 每个Reduce任务都会对中间数据做聚合操作，并将最终结果输出。
四、Hadoop集群的搭建要想搭建Hadoop集群，需要满足以下三个部分: Hadoop集群基础设施、Hadoop本身以及各类工具和应用程序。
1. 集群基础设施: 在Hadoop的架构中，每个节点都有着自己的任务。
Hadoop大数据处理与分析
Hadoop大数据处理与分析随着科技的不断进步和应用范围的扩展，数据量、数据类型和数据集成变得非常庞大和复杂。
如何对这些海量数据进行处理和分析已经成为了许多企业和组织面临的一个突出问题。
Hadoop作为一种针对大数据处理和分析的软件框架，已经逐渐成为了业界的标准。
Hadoop是一个开源的基于Java语言的分布式系统，可以支持海量数据存储和分析。
它最早被设计用来进行网页搜索，但是随着数据处理需求的变化，目前Hadoop已经成为所有大数据处理和分析的事实标准。
Hadoop的架构包括两个主要的组件：HDFS和MapReduce。
HDFS (Hadoop Distributed File System)是Hadoop的一个分布式文件系统。
它设计用来能够运行在商业硬件之上，并且能够进行高延迟数据访问。
HDFS中的文件被分成数据块，每个块大小一般为64MB或128MB。
块会被分布在不同的节点上，这些节点被称作数据节点。
HDFS的主要优点是在相对低成本的配置下，可以支持超大规模的数据存储和处理，同时维护数据高可用性和容错性。
MapReduce是另一个重要的Hadoop组件。
它是一种并行计算模式，允许在分布式环境下处理大量数据。
MapReduce的执行过程包括两个主要的步骤：Map和Reduce。
Map阶段将输入数据拆分成若干个小的子集，在每个子集上执行特定的计算操作，并返回计算结果。
Reduce阶段则将所有Map操作的结果进行合并，并以数据聚合的方式生成最终的输出结果。
MapReduce的一个关键特性是它可以自动化地对计算作业进行并行化和任务分配，以实现高效的数据处理和分析。
在Hadoop的基础上，还有很多相关的技术和工具。
例如，HBase是一种分布式的非关系型数据库，广泛用于存储海量的结构化数据。
Mahout是一个基于Hadoop的的机器学习框架，它可以支持海量数据进行分类、聚类、推荐等算法。
另外，Zookeeper是一个分布式的配置管理和同步服务，用于监控Hadoop集群中的节点状态。
如何利用Hadoop进行大数据分析
如何利用Hadoop进行大数据分析引言随着互联网的迅猛发展和信息技术的逐渐成熟，大数据成为了各行各业的热门话题。
大数据分析是发现数据中的模式、关联、趋势以及知识的一个过程，对于企业来说，大数据分析可以帮助其更好地了解市场和客户需求，提高决策的准确性和迅速性。
Hadoop作为一个优秀的大数据处理平台，被广泛应用于大数据分析领域。
本文将介绍如何利用Hadoop进行大数据分析，并按如下章节展开阐述。
章节1: Hadoop介绍1.1 什么是Hadoop1.2 Hadoop的特点和优势1.3 Hadoop生态系统介绍章节2: 大数据分析基础2.1 大数据分析的定义和意义2.2 大数据分析的挑战和难点2.3 大数据分析的常用技术和方法章节3: Hadoop大数据分析架构3.1 Hadoop分布式文件系统(HDFS)3.2 Hadoop MapReduce计算模型3.3 Hadoop生态系统中与大数据分析相关的组件章节4: 利用Hadoop进行大数据处理4.1 数据采集与清洗4.2 数据存储与管理4.3 数据处理与计算4.4 数据可视化与报告章节5: Hadoop大数据分析实战案例5.1 电商行业中的用户行为分析5.2 医疗行业中的患者数据挖掘5.3 金融行业中的风险管理分析章节6: Hadoop大数据分析的发展趋势6.1 实时大数据分析的需求6.2 AI与大数据分析的结合6.3 多云和混合云环境下的大数据分析结论Hadoop作为一个强大的大数据处理平台，在大数据分析领域具有广泛的应用价值。
本文从介绍Hadoop的基本概念和特点开始，然后阐述了大数据分析的基础知识，接着详细介绍了Hadoop在大数据分析中的架构和相关组件。
在此基础上，本文还详细讲解了如何利用Hadoop进行大数据处理，并给出了一些实战案例。
最后，本文还展望了Hadoop大数据分析的发展趋势。
相信读者通过本文的学习，能够对如何利用Hadoop进行大数据分析有更加全面的认识和理解。
如何使用Hadoop进行大数据分析
如何使用Hadoop进行大数据分析随着时代的发展，数据量不断增加，如何高效地处理这些大数据成为了企业最为关注的问题之一。
而Hadoop作为一种开源的分布式计算平台，可以帮助企业高效地处理大数据。
本文将介绍如何使用Hadoop进行大数据分析。
一、Hadoop的基本原理Hadoop是一个由Apache基金会所开发的分布式计算平台，它通过搭建多个互相协作的计算机节点来实现数据的处理和存储。
Hadoop的核心组件包括HDFS（分布式文件系统）和MapReduce （分布式计算框架）。
其中，HDFS可以将数据进行切分，并将切分后的数据分别存储在不同的节点上，保证大数据的高效处理和存储。
而MapReduce则是一种将数据分解成若干个小的任务并在不同的节点上进行并行处理的方法，通过将数据的处理分散在不同的计算机节点中，可以加速数据的处理速度。
二、Hadoop的安装与配置使用Hadoop进行大数据分析，首先需要安装和配置Hadoop，以便能够在本地环境下使用Hadoop进行大数据分析。
安装和配置Hadoop的具体步骤如下：1. 下载Hadoop二进制安装包，并将其解压缩。
2. 在hadoop-env.sh文件中，配置JAVA_HOME变量和HADOOP_HOME变量。
3. 在core-site.xml文件中，配置Hadoop的核心参数，如、hadoop.tmp.dir等。
4. 在hdfs-site.xml文件中，配置HDFS文件系统的相关参数。
5. 在mapred-site.xml文件中，配置MapReduce框架的相关参数。
6. 在masters和slaves文件中，分别指定Hadoop的主节点和从节点。
三、使用Hadoop进行数据处理在完成Hadoop的安装和配置后，就可以开始使用Hadoop进行大数据分析了。
使用Hadoop进行数据处理的具体步骤如下：1. 准备需要处理的大数据集，并将其存放在HDFS文件系统中。
基于Hadoop技术的大数据分析方法研究
基于Hadoop技术的大数据分析方法研究随着信息时代的到来，数据的积累和处理技术的不断发展，大数据已经成为一个热门话题。
而为了更好地利用大数据，我们需要先对其进行分析和处理。
其中，Hadoop技术是一种非常重要的处理方式。
一、Hadoop技术介绍Hadoop是一个开源的、高度可扩展的分布式计算框架，由Apache基金会开发。
它是基于MapReduce计算模型和HDFS分布式文件系统构建的，在处理大规模数据时表现出色。
Hadoop技术不仅包括数据处理、存储和管理，而且支持分布式和跨平台。
Hadoop的优点：1. 可扩展性：可以轻松地向群集添加更多节点，提供更大的处理能力。
2. 费用低廉：Apache基金会提供了免费的Hadoop基础软件，并且易于部署和维护。
3. 可靠性：由于多个节点拥有数据的多个副本，因此在原始数据出现故障时，能够快速恢复数据。
二、大数据分析方法在进行大数据分析之前，我们必须要有清晰的目标和问题。
然后，我们可以根据数据集的大小和维度，选择不同的分析方法：1. 规模较小的数据集，可以使用传统数据挖掘算法，如分类、聚类等。
2. 规模较大的数据集，可以利用Hadoop提供的分布式计算框架和MapReduce算法。
基于Hadoop技术的大数据分析方法：1. 数据处理：Hadoop技术通过HDFS分布式文件系统存储数据，通过MapReduce算法分析数据。
Hadoop技术的MapReduce框架将大任务分解成若干个子任务，然后在群集中的多个节点上并行完成，最后再将结果合并。
2. 数据可视化：可视化是大数据分析的重要一环。
由于Hadoop技术大部分是命令行操作，因此需要使用可视化工具进行大数据展示和分析。
3. 数据挖掘：数据挖掘是通过计算机模型和计算机算法来识别数据集中的模式、趋势和关联等信息的过程。
Hadoop提供了多种机器学习算法，如分类、聚类、决策树等。
三、Hadoop技术的应用场景Hadoop技术广泛应用于大数据分析、机器学习、数据挖掘、分布式计算和数据处理等领域。
如何学习使用Hadoop进行大数据处理和分析
如何学习使用Hadoop进行大数据处理和分析随着互联网的迅猛发展和各类应用程序的飞速增长，大数据已成为当今世界的一项重大挑战和机遇。
为了有效处理和分析这些海量的数据，Hadoop作为一种开源的分布式计算框架，在近年来受到了广泛关注和应用。
本文将介绍如何学习并使用Hadoop进行大数据处理和分析的方法和步骤。
一、理解Hadoop的基本概念和架构在学习Hadoop之前，我们首先需要了解Hadoop的基本概念和架构。
Hadoop由Hadoop分布式文件系统（HDFS）和MapReduce计算模型组成。
HDFS是一种适用于大数据的文件系统，它将数据分散存储在集群中的多个节点上，以实现高容错性和可靠性。
MapReduce是一种分布式计算模型，它通过将任务分解为多个子任务，并在集群中并行执行，以实现高效的大数据处理和分析。
二、学习基本的Hadoop命令和操作在掌握了Hadoop的基本概念和架构之后，我们需要学习如何使用Hadoop的命令和操作。
Hadoop提供了一系列的命令行工具，如hadoop fs、hadoop jar等，用于管理和操作Hadoop集群中的数据和任务。
通过学习这些命令和操作，我们可以实现对数据的上传、下载、删除、复制等操作，以及对任务的提交、监控和管理等功能。
三、使用Hadoop进行数据处理和分析的实践在学习了Hadoop的基本命令和操作之后，我们可以开始使用Hadoop进行数据处理和分析的实践。
首先，我们需要了解如何编写MapReduce程序，以实现对数据的处理和分析。
MapReduce程序由Map任务和Reduce任务组成，其中Map任务负责将输入数据映射为键值对，Reduce任务负责对映射结果进行聚合和分析。
在编写MapReduce程序之前，我们需要选择合适的编程语言和开发工具。
Hadoop支持多种编程语言，如Java、Python、Scala等，我们可以根据自己的需求和熟悉程度选择适合的语言。
Hadoop+JavaWeb大数据分析可视化系统
Hadoop+JavaWeb大数据分析可视化系统Hadoop是一个开源的、可扩展的分布式计算框架。
它能够高效地处理大规模的数据集，并且能够保证数据的可靠性和高可用性。
JavaWeb是一种使用Java语言开发的Web应用程序，它能够提供动态页面和与用户进行交互的功能。
Hadoop和JavaWeb的结合可以实现一个强大的大数据分析可视化系统。
大数据分析是指对大规模数据集进行挖掘、分析和解释，以提取有用的信息和知识。
大数据分析可视化系统可以将分析结果以可视化的方式展示，帮助用户更好地理解数据和分析结果。
Hadoop能够处理大规模的数据集，并提供分布式数据存储和分布式计算的能力。
它能够将数据分布在多台机器上进行存储和计算，从而能够高效地处理大规模数据集。
Hadoop还提供了一个简单的编程模型，即MapReduce，可以方便地编写并行计算任务。
将Hadoop和JavaWeb结合起来，可以实现一个完整的大数据分析可视化系统。
以一个简单的示例来说明，假设我们要对一个电商网站的交易数据进行分析和可视化展示。
我们可以使用Hadoop来处理交易数据。
Hadoop可以将数据分布在多台机器上进行存储，并利用MapReduce来并行计算交易数据的各种指标，如销售额、订单量、最畅销的商品等。
计算结果可以保存在Hadoop的分布式文件系统中，供后续的可视化展示使用。
然后，使用JavaWeb来实现用户访问和数据展示的功能。
通过JavaWeb，用户可以使用浏览器访问系统，并进行交易数据的查询和分析。
用户可以选择特定的时间段和商品类别来查看交易数据的变化情况。
JavaWeb将用户的请求发送给Hadoop集群，从Hadoop集群中查询并计算相应的数据指标，然后将计算结果以可视化的方式展示给用户。
我们可以使用各种图表库和可视化工具来展示交易数据的结果。
可以使用柱状图来展示销售额和订单量的变化趋势；可以使用饼图来展示不同商品类别的销售比例；可以使用地图来展示不同地区的销售情况等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
PP!"#$%&'()*+,-.&/012 34-.567&89-.:;<=>?@A& BC ,-.DE&FGHIJK,LMN8O> PQ&0/RSTUVW&BCXY Z[ '() ,-.\]-.^,-._`7abcdM,e fg hi8O '() -.&FGjkJ '() ,.lPDEmnlo8O-.&FGRSp<= ,-.'(HI&qrfgst
u[vwxqy,-.&FGz{p|}~+ t&< e - [| `~-.&8}=o M|KFG& ©qª« ¬+ 8t®¯y,-.FG&°0 ±QS²³´µ¶·¸°0&Fn`¹¯ yº»¼°0±QFn½L1£¾¯¿NÀÁ ÃÄÅEÆlPFGÇoV]RÈ°0±QS lP²³ ÉÊN £ËÌÍ&WÎÏÐÏÑ Òp|ÓÔÕÖW@A×ÈØÙWÎÏ-.FG 8Ú+©ÛܺÝÞ ÉÊ/ ßI "#$%%& àáâ 8O-.ãEä,-.FG&RS1ßIåæ½ «âܺ-.kçfg £¾¯¿NÈ,-. lPèãE1ÈéFG=°êÄÅT¹-. 1 ¶·ëìí&-.Fî8Oèï&ðñ7 ÉÊ
;<=>?@AB'(CDEFG=> $%&&'()' ?@HF'IJKLM=>)*'+**,
!"#$ !""#$$%%%&'()*+*&,-. %&'( ) /0*) 11+ ,) 234+
(D) pW¥ú·c^_mLÓd ö\%JÉ ¿ÀS/?dY" !(P) LO.çJõá ¯8奥cL¨émcdoö4yëìÑ Xd®|%ï®|ó'ó'ÊÐ×è|ô>¦ A¦ÕQoöú·dA¦ë¥" !(?) LOï.çáQgdè|%wxï'(Ìá # )* 0R)GHD$ %Üh'$nd`()p12% _å8k_4'(ñg:Np_å^_ '($%. ×ruE¥2%¥2ïKᯥ #ªW¥ú·4°¦þödh'% 1 ¡¥°¦<=4¡Ü¥d±²h'* F'L h'$n" !(V) LOï.ç"dZ¡e?åÁ dl¦6sKêè®|% S×ð+ò¥d¢ 3Jɧ£¥" !(U) LO.ç)*¤d B MJ'+,>ï^®|" SPcå¥~sø%L îPDðò%]p©)z¢ )+T&'(OH'áQ ¿Àï^®|d]_¦%^ÉLîïPdÒB"
5234678 !.9. 5:.;<=7=>3=3.?@A6.=3/0:-./001B;.9C0?D .:/2378A93/E.A.;.:047=!7=9.:@3
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
34567MGNO-!OPPPP-.89:3PPPP!"#-,!-0+., QR!S;$(%(!+,-.!--!,-T
-./001!"#$%&'()* 234+,-./01
!"#- $%&+ -!'()*+,-./0P'( N+/,,,+!123456789:P-,,,.-
NO'() 123<=23>123?@ABCDEF1GHIJKLMNO '() 123PQ45RSATUV2 3450WXAYZN[\]^_ "#$%%& '(`*+,-./0 '() 12345ab cabd^_ "#$%%& '(e @fghK '() 123ijklm`23nopqrstuvwaxyz{T|},-./tu0+~qrs* +,-./tuK23PQ Nab=XUV '() 123PQ450RSAT<=O0 WXA PQR "#$%%& '('() 123*+,-./23lmaxyz{PQ
-./012!"#$%&!"#$%%& '()*+,-./0 '() 1234567 * !89:;+,-./+-- 01 21-! '3456* 73489!3'() :;<=#>#3?#@AB;BC(B(#DEF :#B($ %? "#$%%& G@#>H%DI#?$ '(;<F>($ J#F#@#?%);B=;BK >#?E( * !L;$(%(?<;?((D;?< +,-. /+-- 01 21-!