华为hcip-big data 学习笔记《一》大数据应用开发总指导（2）

上一篇：

华为hcip-big data 学习笔记《一》大数据应用开发总指导-CSDN博客

目录

2. 大数据场景化解决方案

2.1 大数据应用

2.2 场景化解决方案的分类

1. 离线批处理

2. 实时检索

3. 实时流处理

4. 融合数仓

2.3 思考题

---

2. 大数据场景化解决方案

本节介绍了大数据在实际应用场景中的解决方案，包括离线批处理，实时检索，实时流处理和融合数仓。并讲解了他们的特点及架构流程。

2.1 大数据应用

大数据已经融入到社会生产和生活的方方面面，其巨大价值日益得到显现。

领域	大数据的应用
金融	高频交易，市场舆情分析，信贷风险分析等。
物流	智慧物流，包括成本控制、风险管理等。
医疗	流行病预测，智慧医疗，健康管理等。
互联网	用户画像，个性化推荐，广告投放等
城市	智慧交通，城市规划，智能安防等。

2.2 场景化解决方案的分类

在面对不同的场景时，会使用不同的大数据组件去解决处理，主要有如下大数据场景化解决方案。

1. 离线批处理

1）概念

• 离线批处理，是指对海量历史数据进行处理和分析，生成结果数据，供下一步数据应用使用的过程。

• 离线批处理对数据处理的时延要求不高，但是处理的数据量较大，占用的计算存储资源较多，通常通过MR作业，Spark作业或者HQL作业实现。

2）特点

• 处理时间要求不高

• 处理数据量巨大

• 处理数据格式多样

• 占用计算存储资源多

3）流程图

2. 实时检索

1）概念

实时检索简而言之就是对系统内的一些信息根据关键词进行即时、快速搜索，即搜即得的效果。强调的是实时低延迟

2）核心诉求

• 检索性能要求高

基于主键的检索需要在1秒内响应，基于非主键的检索需要在3秒内响应，不承担复杂查询和统计类查询

• 高并发查询

通常有大于100的并发查询

• 数据量大

PB级数据量，集群规模在1000节点以上。对图数据库的场景，点个数在10亿以上，边个数在100亿以上。

• 支持结构化和非结构化

需要同时保存结构化数据和非结构化数据，经常用来对图片等小文件进行检索。

• 高效的数据加载

数据加载要求高，每小时可以加载TB级数据

• 支持圈检索

支持检索图数据，支持图标准查询接口

3）流程图

3. 实时流处理

1） 概念

实时流处理，通常是指对实时数据源进行快速分析，迅速触发下一步动作的场景。实时数据对分析处理速度要求极高，数据处理规模巨大，对CPU和内存要求很高，但是通常数据不落地，对存储量要求不高。实时处理，通常通过Structured Streaming 或者Flink任务实现。

2）核心诉求

• 处理速度快

端到端处理需要达到秒级，流处理平台负责的数据采集和数据处理要在1秒内完成。如果风控项目要求单条数据处理时间达到秒级，单节点TPS大于2000.

• 吞吐量高

需要在短时内接收并处理大量数据记录，吞吐量需要达到数十兆/秒/节点

• 抗震性强

为应对数据源端业务数据产生速度会突然出现峰值的情形，需要提供数据缓存机制。

• 可靠性高

网络、软件等故障发生时，需保证每条数据不丢失，数据处理不遗漏、不重复

• 水平扩展

当系统处理能力出现瓶颈后，可通过节点的水平扩展提升处理性能。

• 多数据源支持

支持网络流、文件、数据库表、IOT等格式的数据源。对于文件数据源，可以处理增量数据的加载。

• 数据权限和资源隔离

消息处理、流处理需要有数据权限控制，不同的作业、用户可以访问、处理不同的消息和数据。多种流处理应用之间要进行资源控制和隔离，防止发生资源争抢。

• 第三方工具对接

支持与第三方规则引擎、决策系统、实时推荐系统等对接。

3）流程图

 

4. 融合数仓

在数据慢慢呈现数据处理量大、数据处理时时延低、数据处理格式多样的要求下，基于模块化存储的数据仓库重要性日益增加，但同时也带来了新的问题。

随着精准营销、客户画像、互联网平台等业务的上线，需要引入非结构化数据，以及提升对实时数据的计算处理能力，需要建立大数据平台满足上述业务需求。

流程图： 

2.3 思考题

• 大数据可以用于流行病预测。（对）

• 离线批处理通常通过MR作业、Spark作业或者HQL作业实现。（对）

• 实时流处理对时延的要求不高。（错）