![13825820-d41475a7c4206fb8.jpg](https://i-blog.csdnimg.cn/blog_migrate/94d8fe4b910f2f937e185ca9285e4096.jpeg)
大数据的出现改变了很多行业的发展模式,使得这些行业都朝着更好的方向进发。今天我们来给大家讲讲大数据中非常重要的一个部分,就是大数据的架构。一般来说,大数据不同的架构赋予大数据不同的功能,那么常见的大数据架构都有哪些呢?下面我们就给大家介绍一下这些内容。
常见的大数据架构有五种,它们分别是传统的大数据架构、流式架构、Kappa架构、Lambda架构、Unifield架构。这五种架构在大数据中广泛应用。
首先我们给大家介绍一下传统大数据的架构,这种架构之所以称之为传统大数据架构,是因为其目标定位是为了解决传统商业智能所存在的问题,简单来说,基本的数据分析业务没有发生任何本质上的变化,但是因为数据量越来越大、性能越来越低等问题导致商业智能系统无法正常使用,因此需要进行升级改造,那么传统的大数据架构便是为了解决这些问题,比如大数据量存储、提高应用系统等问题。可以看到,其依然保留了抽取、转换、加载的动作,将数据经过抽取转换加在数据采集操作进入数据存储。这种架构在很多场景中都有作用。
那么传统大数据的架构的优点是什么呢?传统大数据的优点就是简单易懂,对于商业智能系统来说,基本思想没有发生变化,变化的仅仅是技术选型,用大数据架构替换掉商业智能的组件。而传统大数据架构也有不完美的一面,那就是没有BI下如此完备的Cube架构,虽然目前有kylin,但是kylin的局限性非常明显,远远没有BI下的Cube的灵活度和稳定度,因此对业务支撑的灵活度不够,所以对于存在大量报表,或者复杂的钻取的场景,需要太多的手工定制化,同时该架构依旧以批处理为主,缺乏实时的支撑。正是因为这些,传统大数据的应用场景主要是以BI场景为主,但是因为数据量、性能等问题无法满足日常使用。
我们在这篇文章中给大家介绍了传统大数据的架构内容,通过介绍传统大数据的架构内容以及优缺点、使用场景,帮助大家更好地了解传统大数据架构的实际情况。由于篇幅原因我们就给大家介绍到这里了,我们在下一篇文章中继续给大家介绍一下流式架构以及Kappa架构,最后欢迎大家关注我们。