我为什么要学习大数据？附大数据葵花宝典

【这是一猿小讲的第 69 篇原创分享】

1. 先从网上流传的一个虚构故事说起。

某必胜客店的电话铃响了，客服人员拿起电话......

客服：您好，这里是必胜客，请问有什么需要我为您服务？

顾客：你好，我想要一份……

客服：先生，烦请先把您的会员卡号告诉我。

顾客：1896579****。

客服：陈先生，您好！您是住在 XX 路一号 12 楼 1205 室，您家电话是2646****，您公司电话是4666****，您的手机是1391234****。请问您想用哪一个电话付费？

顾客：你为什么知道我所有的电话号码？

客服：陈先生，因为我们联机到客户关系管理系统。

顾客：我想要一个海鲜比萨……

客服：陈先生，海鲜比萨不适合您。

顾客：为什么？

客服：根据您的医疗记录，你的血压和胆固醇都偏高。

顾客：那你们有什么可以推荐的？

客服：您可以试试我们的低脂健康比萨。

顾客：你怎么知道我会喜欢吃这种的？

客服：您上星期一在国家图书馆借了一本《低脂健康食谱》。

顾客：好。那我要一个家庭特大号比萨，要付多少钱？

客服：99 元，这个足够您一家六口吃了。但您母亲应该少吃，她上个月刚刚做了心脏搭桥手术，还处在恢复期。

顾客：那可以刷卡吗？

客服：陈先生，对不起。请您付现款，因为您的信用卡已经刷爆了，您现在还欠银行 4807 元，而且还不包括房贷利息。

顾客：那我先去附近的提款机提款。

客服：陈先生，根据您的记录，您已经超过今日提款限额。

顾客：算了，你们直接把比萨送我家吧，家里有现金。你们多久会送到？

客服：大约30分钟。如果您不想等，可以自己骑车来。

顾客：为什么？

客服：根据我们全球定位系统的车辆行驶自动跟踪系统记录，您登记有一辆车号为 NB-886 的摩托车，而目前您正在五缘湾运动馆马卢奇路骑着这辆摩托车。

顾客：......当即晕倒......

这个故事纯属虚构，不过畅想了在大数据时代，我们未来可能生活的样子，虽然有些场景可能不会实现，但是从故事中我们却可以深刻感受到大数据对生活的巨大影响......

2. 再说说公司业务的发展。

站在技术的角度而言，应用架构的演变，服务模块化拆分，随之而来的就是业务日志、业务数据散落在各处。随着业务的推广，业务量逐日增多，伴随时间的推移，沉淀的数据日益庞大，问题也逐渐暴露。

• 数据量太大，想查询出 N 年前的历史数据有点难啦；

• 面对监管机构的监管，整合提取散落在各地的海量数据也是有点困难；

• 散落在各模块的日志，由于缺少统一的归档，想基于日志做个分析有点难；若想追踪一条调用链路也是相当之费劲……

面对诸多的不便，相信你们之中也会有人面临这个问题，那么就不得不迈入大数据之门。

3. 送上大数据葵花宝典。

简单画了一个思维导图（莫嫌丑），主要想通过这个丑图传达三点（看不清，睁大眼睛去看，实在看不清，下面我给拆开啦，哈哈）。

第一点：学习大数据，需要有点编程语言的功底，长远去讲便于理解分析源码设计；并且需要会点 Linux 常用的命令，这样便于熟练操作 HDFS 分布式文件系统以及部署时修改配置等等。

第二点：虽说谷歌的三驾马车开启了大数据之门，催生了大数据的发展，如果是学习，那建议好好看看这三驾马车，确实会对你后续的学习有启发；如果业务催的紧，时间不允许研究，那建议直接从开源的 Hadoop 开始用起，而且文档又多，上来直接通过案例去剖析，然后去体会理论。不过再多说一句，这个还是要分场景，到底是需要批处理（离线处理），还是流处理（实时在线处理），因为这对你技术选型也真的很重要，不过 Flink 盖有一统江湖的趋势，还是需要多花功夫在它上面。

第三点：为了能够让大数据技术组件跑的更好，出现了 N 多轮子，不过轮子不嫌多，建议先会用，然后再逐个深入。

说完了上面三点，估计还有人一脸懵圈，那还是结合图再稍微串一串（此时耳边响起：喔，把你的心 我的心串一串，串一株幸运草串一个同心圆，让所有期待未来的呼唤......）。

面对海量的业务数据采用 Sqoop 完成同步；面对散落的日志数据采用 Flume 来完成采集；

采集同步之后的数据采用 HDFS 来进行存储，如果是实时在线的海量结构化的数据可以采用 HBase 来进行存储；

海量数据存储之后可以采用 Hadoop MapReduce 来从海量数据中计算出自己关心的结果，但是 MapReduce 代码编写稍显繁琐，所以可以直接用 Hive、Pig以SQL的形式去完成 MapReduce；

不过 MapReduce 只能完成离线数据处理，也就是一批一批的处理，时间耗时比较长，面对实时需求，Storm 流处理技术轮子就应运而生；

这样 Hadoop MapReduce 加上 Storm 就解决了批处理 + 流处理，但是这样部署就需要维护 Hadoop 的集群 + Storm 的集群，略显复杂；世界需要光，需要一种集批处理及流处理于一体的计算框架，所以 Spark 就诞生了；

不过 Spark 流处理其实本质也是微批处理，所以还是无法做到毫秒级的流计算，于是乎盖有一统江湖趋势的 Flink 就出现了......

以上，属于一家之言，若有 bug，欢迎提 bug（捂嘴笑）！

好了，这篇分享都到这儿吧，希望你们能够喜欢，如果感觉有点意思，无需赞赏，芸芸众生，相遇相识便是缘，不妨动动手指来个“在看”或转发分享一下吧。

推荐阅读：