1 大数据基础
1.1 大数据的定义和特点
- 麦肯锡
一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合,具有海量的数据模型、快速的数据流转、多样的数据类型和价值密度低四大特征。 - 研究机构Gartner
大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。 - 《大数据时代》
大数据是指不用传统的随机分析法这样的捷径,而是采样所有数据进行分析处理。 - 数据中心IDC
大数据处理技术代表了新一代的技术架构,这种架构通过高速获取数据并对其进行分析和挖掘,从海量且形式各异的数据源中更有效地抽取富含价值的信息。
如果把大数据比作一种产业,那么这种产业实现盈利的关键就在于提高数据的“加工能力”,通过“加工”实现数据的“增值”。
1.2 大数据关键技术
- 数据采集和预处理
- 数据存储与管理
- 数据处理与分析
- 数据可视化呈现
1.3 大数据计算模式
- 批量处理计算
批处理计算是最常见的一类数据处理类型,主要用于大规模数据进行批量的处理其代表产品我们熟知的有:MapReduce、Spark等。 - 流式计算
流式计算是近年来兴起、发展迅猛的计算方式。流式数据是随时间分布和数量上无限的一系列动态数据集合体,数据价值随时间流逝而降低,必须采用实时计算方式给出响应。流式计算就何以实时处理多源、连续到达的流式数据,并实时分析处理,如:storm、S4、Spark Streaming等。 - 交互式查询计算
主要用于超大规模数据的存储管理和查询分析,提供实时或准实时的响应,如:Impala、Cassandra、hive等。 - 图计算
图计算是以“图论”为基础的对现实世界的一种“图”结构的抽象表达,一集在这种数据结构上的计算模式,如:GraphX、Giraph等。
2 大数据主流平台框架
2.1 Hadoop
Hadoop是Apache软件基金会下的一个开源分布式计算平台,它将一个大型的任务切割成多个部分给多台计算机,让每台计算机处理其中一部分。
- 在硬盘存储层面,Hadoop的数据处理工作借助HDFS,将架构下每一台计算机中的硬盘资源汇聚起来,无论存储计算还是调用,都可是作为一个硬盘使用。
- 在资源管理层面,Hadoop使用集群管理和调度软件YARN。
- 在计算处理层面,Hadoop利用MapReduce计算框架进行计算编程,将复杂的、运行在大规模集群上的并行计算过程高度抽象为两个函数:Map和Reduce。
特点
- 高可靠性
采用冗余数据存储方式,即使某副本发生故障,其他的仍能正常提供服务。 - 高效性
采用分布式存储和分布式处理两大核心技术,能高效处理PB级别数据