O documento fornece uma introdução ao Hadoop, MapReduce e Big Data, explicando que o Hadoop foi criado a partir do MapReduce do Google e é uma ferramenta open source para processar grandes volumes de dados de forma escalável. Ele também resume os principais componentes do Hadoop como HDFS, MapReduce, NameNode, DataNode e casos de uso como armazenamento e análise de logs.

1. Treinamento Hadoop
Parte 3

2. Alexandre Uehara
● Analista Desenvolvedor (E-commerce)
● Coordenador Trilha Big Data (TDC
2013)
http://www.thedevelopersconference.com.
br/tdc/2013/saopaulo/trilha-bigdata#programacao
● Geek e nerd, trabalha com Python,
Java, C, BigData, NoSQL, e outras
coisas mais que aparecem no dia a dia

3. Nossa
Agenda:

4. Dia 3!!!

5. Dia 1:
Introdução
Conceitos Básicos
Big Data
→ O que é?
→ 4 V's
→ Por que
agora?
→ Onde Usar?
→ Desafio
→ BI x Big Data
→Profissional de
Big Data
→ Ferramentas
→ Dicas

6. Dia 2 e 3:
Map Reduce e
Hadoop
→ História
(Google)
→ Conceito
MapReduce
→ Hadoop
→ Cases

7. Dia 4
Outras
Ferramentas
→ Ecossistema
→ Ferramentas
→ Distribuições
Hadoop
→ Hadoop na
Nuvem
→ NoSQL Tipos
→ NoSQL
Exemplos
→ Data Science
→ Machine
Learning

8. Dia 5, 6 e 7
Hands-on
→ Pyhton
→ Hadoop

9. Resumo...

15. Big data

16. Big data ferramenta

17. Big data Hadoopferramenta

18. Big data Hadoopferramenta
A partir dele
criou-se

19. Big data Hadoop
MapReduce
ferramenta
A partir dele
criou-se

20. Big data Hadoop
MapReduce
ferramenta
A partir dele
criou-se
Criou

21. Big data Hadoop
MapReduceGoogle
ferramenta
A partir dele
criou-se
Criou

22. Google Map
Reduce

23. Map Reduce
Google Map
Reduce

24. Map Reduce Google
FileSystem
Google Map
Reduce

25. Por que utilizamos Map Reduce +
GFS?

26. Por que utilizamos Map Reduce +
GFS?
● Escalável
● Econômico
● Eficiente
● Confiável

27. Map Reduce
● Decompõe tudo em ???

28. Map Reduce
● Decompõe tudo em Pares - chave :
valor
● Depois???

29. Map Reduce
● Decompõe tudo em Pares - chave :
valor
● Depois sumariza os resultados

31. Por que um elefante amarelo?
Por que Hadoop?

33. Framework open source para escrever e
processar de forma escalável, aplicações
distribuídas com grandes volumes de
dados
Definição

34. ● Para executivos: projeto de software livre da Apache que tem como objetivo obter
valor do volume/velocidade/variedade incrível de dados sobre sua organização.
Use os dados em vez de jogar a maioria fora.
● Para gerentes técnicos: um conjunto de softwares livres que mina o BigData
estruturado e não estruturado de sua empresa. Ele integra com seu ecossistema
existente de Business Intelligence.
● Para o Jurídico: um conjunto de software livre empacotado e suportado por
diversos fornecedores
● Para a Engenharia: um ambiente de execução Mapear/Reduzir massivamente
paralelo, sem compartilhamento e baseado em Java.
O que é

35. ● Código aberto - Licença Apache
Software Foundation
● Implementado em Java
● Inspirado no GFS e MapReduce do
Google
● Projeto top-level da Fundação Apache
O que é

36. ● Máquinas comuns - hardware comodities
(de baixo custo, de baixa confiabilidade)
● Rede comum
● Tolerância a falhas automática
● Poucos administradores
● Facilidade de uso
● Poucos programadores
● Foco na regra de negócio
Vantagens

37. http://thoughtworks.fileburst.com/assets/technology-radar-jan-2014-pt.pdf

38. Sub-Projetos
Hadoop

39. Map Reduce Google
FileSystem
Google Map
Reduce

40. Hadoop
MapReduce
HDFS
Hadoop

41. Hadoop
MapReduce
HDFS
Hadoop
Hadoop
Commons

42. ● HDFS - Sistema de Armazenamento de
Dados distribuidos (Hadoop
Distributed File System)
● Map Reduce - Processamento paralelo
● Hadoop Commons - abstração
Serviços Chave

43. Arquitetura Hadoop

44. Nó Master
Nó Slave

45. Nó Master

46. Nó Master

47. Nó Master
Nó Slave

48. Nó Master
Nó Slave

49. Nó Master

50. Nó Master
● NameNode
● SecondaryNameNode
● JobTracker

51. Nó Slave

52. Nó Slave
● DataNode
● TaskTracker

53. Nó Master
Nó Slave
● DataNode
● TaskTracker
● NameNode
● SecondaryNameNode
● JobTracker

54. Nó Master
● NameNode
● Nó master (apesar de master
não armazena nada)
● Só tem metadados
● Ele é o core, o daemon vital

55. Nó Master
● SecondaryNameNode
● Monitora o estado dos clusters (se um
cair ele sabe o que fazer)
● Cuida do log
● Um único SNN para cada cluster
● Não armazena dados
● De tempos em tempos faz o merge dos
dados

56. Nó Master
● JobTracker
● Ligações entre as Aplicações e o
Hadoop
● Em caso de falha, ele quem sabe o que
fazer

57. Nó Slave
● DataNode
● armazena dados
● Datanodes se reportam a
namenodes
● separa em no mínimo 3
réplicas
● se cai sistema não perde os
dados

58. Nó Slave
● TaskTracker
● responsável pela execução
designada pelo JobTracker

59. Nó Master
Nó Slave
● DataNode (armazena dados)
● TaskTracker (executa)
● NameNode (core)
● SecondaryNameNode (monitora)
● JobTracker (liga a aplicação/Hadoop)

62. ● Garante alto gerenciamento, confiabilidade,
usabilidade e desempenho
● Divide em poucos arquivos grades (padrão 64MB)
● Vai distribuindo cada parte para cada nó
● Recuperação é transparente
HDFS

63. ● Todos os arquivos no HDFS possuem múltiplas
réplicas (3 réplicas)
● Cada réplica em um nó diferente
● Ex: se tiver arquivo de 256MB, vai dividir em 4
blocos de 64MB, e cada bloco dividido em 3
máquinas diferentes para garantir redundâcia
e tolerancia a falha
HDFS

66. Comunicação

67. ComunicaçãoSSH

69. Hadoop Facts
● Não é banco de dados
● Processamento background
● Tudo entra por um nó principal
(master) - um ponto de falha
● Precisa ser "Alimentado" com
dados. (como colocar 30TB onde vai
rodar o Hadoop?)

71. Cases

72. Armazena log, como fontes de
estudos analíticos e machine
learning

73. Armazena log, como fontes de
estudos analíticos e machine
learning
Otimização de buscas e
pesquisas

74. Armazena log, como fontes de
estudos analíticos e machine
learning
Otimização de buscas e
pesquisas
Cálculo de gráfico,
análise de log, teste
A/B

75. Recomendações: Quem você
pode conhecer

76. Recomendações: Quem você
pode conhecer
Análise de logs e e
minerar dados para
sistema de recomendação

77. Recomendações: Quem você
pode conhecer
Análise de logs e e
minerar dados para
sistema de recomendação
Gerar conteúdo e
agregar dados, fazer
análise e relatórios

78. Armazenar e processar
tweets, arquivos de
logs, e outras coisas
mais

79. Armazenar e processar
tweets, arquivos de
logs, e outras coisas
mais

80. Armazenar e processar
tweets, arquivos de
logs, e outras coisas
mais

81. Um resumo, Big Data, Map Reduce, Hadoop

82. Alexandre Uehara
@AleUehara
linkedin.com/in/aleuehara
uehara.alexandre@gmail.com
slideshare.net/aleuehara