大数据开发：基于Hadoop的数据分析平台

互联网的发展，带来了各种数据的爆发式增长，所以接入互联网的相关操作行为，都化为虚拟的数据被记录了下来。大数据时代的带来，一个明显的变化就是全样本数据分析，面对TB/PB级及以上的数据规模，Hadoop始终占据优势。今天的大数据学习分享，我们来聊聊基于Hadoop的数据分析平台。

Hadoop在大数据技术生态圈的地位，可以说是难以动摇，经过这么多年的发展，基础核心架构的地位，依然稳固。Hadoop系统的可伸缩性、健壮性、计算性能以及低成本，使得它事实上已成为当前互联网企业主流的大数据分析平台。
 

基于Hadoop平台，可以根据实际的业务需求，来进行数据系统的规划和设计。针对不同的具体需求，采用不同的数据分析架构来解决实际问题。

按照数据分析的实时性，分为实时数据分析和离线数据分析两种。

实时数据分析一般用于金融、移动和互联网B2C等产品，往往要求在数秒内返回上亿行数据的分析，从而达到不影响用户体验的目的。

在Hadoop生态圈，这些需求可以进行合理的规划。对于大多数反馈时间要求不是那么严苛的应用，比如离线统计分析、机器学习、搜索引擎的反向索引计算、推荐引擎的计算等，应采用离线分析的方式，通过数据采集工具将日志数据导入专用的分析平台。

主流的海量数据采集工具，有Facebook开源的Scribe、LinkedIn开源的Kafka、淘宝开源的Timetunnel、Hadoop的Chukwa等，均可以满足每秒数百MB的日志数据采集和传输需求，并将这些数据上载到Hadoop中央系统上。

另外，按照大数据的数据量，分为内存级别、BI级别、海量级别三种，也需要分别考量，采取合适的方案。

这里的内存级别指的是数据量不超过集群的内存最大值，通常可以采用一些内存数据库，将热点数据常驻内存之中，从而取得非常快速的分析能力，非常适合实时分析业务。在这方面，MongoDB的应用很普遍。

BI级别指的是那些对于内存来说太大的数据量，主流的BI产品都有支持TB级以上的数据分析方案。种类繁多，就不具体列举了。

海量级别指的是对于数据库和BI产品已经完全失效或者成本过高的数据量。在这类场景下，Hadoop无疑是就是低成本的高效解决方案了。

总之，在大数据的发展当中，Hadoop始终占据着重要的位置，掌握Hadoop技术，是进阶大数据的基础门槛。