hadoop和数据warehouse-0有什么关系/是开源大数据分析软件，还是编程模式。da 数据的hadoop是什么？hadoop如何实现大数据hadoop添加多个数据集合的方法有很多，请描述一下big 数据三平台hadoop、数据库和hadoop与分布式文件系统数据库和的区别和联系。
2、如何用形象的比喻描述大 数据的技术生态?hadoop、hive、spark之间是什么...
big数据本身是一个非常宽泛的概念，而hadoop生态系统(或者说一般的生态系统)基本上是单尺度数据处理。可以和厨房比，所以我需要各种工具。锅碗瓢盆各有用途，也有重叠。可以直接在碗里用汤锅。你可以用刀或者用飞机剥。每个工具都有自己的特点。奇数虽然可以，但不一定是最好的。large 数据，首先你需要能够保存large 数据。传统的文件系统是单一的，不能跨不同的机器。
比如你说我要获取数据/hdfs/tmp/file1，你可以引用一个文件路径，但是实际的数据是存储在很多不同的机器里的。作为用户，你不需要知道这些，就像你不关心分散在一个扇区上的单个文件一样。hdfs为您管理这些数据利用现有的数据，你会开始思考如何处理数据。虽然hdfs可以为你提供数据在不同机器上的全面管理，但是数据太大了。
spark已经取代hadoop成为最活跃的开源项目数据。但是，在选择大型数据框架时，企业不应厚此薄彼。著名专家bernardmarr在一篇文章中分析了spark和hadoop的异同。hadoop和spark都是big 数据框架，都提供了一些工具来执行常见的big 数据任务，但恰恰，它们执行的是不同的任务。虽然据说spark在某些情况下比hadoop快100倍，但它没有分布式存储系统，而分布式存储系统是许多大型数据项目的基础。它可以在几乎无限的普通计算机的硬盘上存储pb级数据 sets并提供良好的可扩展性。你只需要随着数据套的增加而增加硬盘即可。所以spark需要一个第三方分布式存储。正是因为这个原因，很多大型数据项目都在hadoop上安装spark，这样，spark的高级分析应用就可以使用数据存储在hdfs。与hadoop相比，spark真正的优势在于速度。spark的大部分操作都在内存中，hadoop的mapreduce系统会下载。
4、hadoop与大 数据理论研究毕业论文hadoop是一个基于mapreduce框架的分布式平台，一般安装在linex上，在windows下使用虚拟机也可以。分布式程序可以在多台机器上生成多个节点，每个节点运行程序的一部分然后合并，比单个节点效率高很多。推荐这本书“hadoop在行动”(hadoop实战)，有很多论文可以看数据挖掘大会论文。现在有很多人在研究它。
5、为什么会有第一代大 数据 hadoop和第二代大 数据spark首先，我们来看看hadoop解决了哪些问题。hadoop解决了large 数据(大到一台计算机无法在要求的时间内存储和处理)的可靠存储和处理。hdfs在由普通pc组成的集群上提供高度可靠的文件存储，通过保存块的多个副本来解决服务器或硬盘故障的问题。mapreduce通过对mapper和reducer的简单抽象，提供了一个编程模型，可以在一个由几十台pc组成的不可靠集群中，以分布式的方式处理大量的数据 sets，同时隐藏并发、分布(如机间通信)、故障恢复等计算细节。
