Digital technologies: problems and solutions of practical implementation in the spheres

 
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE
“DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL 
IMPLEMENTATION IN THE SPHERES” 
APRIL 27-28, 2023 
326
HADOOP HDFS ORQALI KATTA HAJMLI MA’LUMOTNI TAQSIMLANGAN 
SAQLASH TIZIMLARIDA SAQLASH 
1
Quzibayev Xudayshukur Shavkat o'g'li, 
2
O‘razmatov Tohir Quronbayevich, 
3
Bekimmetova Durdona Ikromjon qizi, 
4
Egamov Zafarbek Raximboy o'g'li 
1
Muhammad Al Xorazmiy nomidagi Toshkent Axborot Texnologiyalari Universiteti doktoranti 
2
Muhammad Al Xorazmiy nomidagi Toshkent Axborot Texnologiyalari Universiteti Urganch 
filiali, katta o’qituvchi 
3
Muhammad Al Xorazmiy nomidagi Toshkent Axborot Texnologiyalari Universiteti Urganch 
filiali, talaba 
4
Muhammad Al Xorazmiy nomidagi Toshkent Axborot Texnologiyalari Universiteti Urganch 
filiali, stajyor o’qituvchi 
https://doi.org/10.5281/zenodo.7856340 
Annotatsiya. Ushbu maqolada biz katta hajmli ma’lumot sifatida qarash mumkin bo’lgan 
tarixiy asarni Hadoop HDFS orqali taqsimlangan saqlash tizimlarida saqlash jarayonini ko’rib 
o’tdik. Buning uchun katta hajmdagi ma’lumot sifatida o’zbek adibi Abdulla Qodiriyning “O’tkan 
kunlar” asarini oldik. 
Kalit so’zlar: Big Data, Hadoop HDFS, Hadoop MapReduce, taqsimlangan saqlash tizimi 
 
Kirish
Dunyoda raqamlangan ma'lumotlar hajmi shiddat bilan o’sib bormoqda. Bu o’z 
navbatida raqamli ma’lumotlarni saqlab qo’yich, ularni saralash, qayta ishlash va ular asosida 
xulosalar chiqarish kabi muommolarni yuzaga chiqaradi. Bu muommolarni o’rganish va yechimlar 
taklif qilish uchun axborot texnologiyalari sohasida Big data, Data science (malumotlar ilmi), Data 
mining (ma'lumotlarni intelektual tahlili), Machine learning (mashinali o'qitish), Deep learning 
(chuqur o'qitish), Sun'iy neyron tarmog'i kabi fan tarmoqlari vujudga keldi. Biz ushbu maqolada 
tadqiq qilgan qilgan muommo BigData (katta hajmli ma’lumotlar) sohasiga tegishli. Hozirgi 
kundagi ma’lumotlarning keskin oshib borish fonida, ularni saqlash va tezkor qayta ishlash 
masalasi mavuning dolzarbligini ko’rsatadi. 
Tadqiqot obyekti sifatida o’zbek adibi Abdulla Qodiriyning “O’tkan kunlar” asarini katta 
hajmli ma’lumot sifatida belgilab oldik. Tadqiqot predmeti sifatida esa katta hajmli ma’lumotlarni 
saqlash uchun ishlatiladigan Apache Hadoop HDFS hamda ma’lumotlarni parallel qayta ishlovchi 
Hadoop MapReduce dasturlarini belgilab oldik. 
Izlanishlarimizning vazifalari sifatida quyidagilarni belgilab oldik: 

Katta hajmli ma’lumotni taqsimlangan fayl tizimlarida saqlash 

Katta hajmli ma’lumotni parallel hisoblash yordamida qayta ishlab natija olish 

Olingan natijalarni solishtirib xulosalar chiqarish 
Obyekt sifatida belgilab olganimiz Abdulla Qodiriyning “O’tkan kunlar” asarining 
elektron shakldagi talqinini topamiz. 220 betdan iborat elektron matn shakldagi asarni .txt 
formatiga o’tkazib olamiz.