想要读懂大数据，你不得不先掌握这些核心技术

说起大数据，很多人都能聊上一会，但要是问大数据核心技术有哪些，估计很多人就说不上一二来了。

从机器学习到数据可视化，大数据发展至今曾经拥有了一套相当成熟的技术树，不同的技术层面有着不同的技术架构，而且每年还会涌现出新的技术名词。面对如此庞杂的技术架构，很多第一次接触大数据的小白几乎都是望而生畏的。

其实想要知道大数据有哪些核心技术很简单，无非三个过程：取数据、算数据、用数据。这么说能够还是有人觉得太空泛，简单来说从大数据的生命周期来看，无外乎四个方面：大数据采集、大数据预处理、大数据存储、大数据分析，共同组成了大数据生命周期里最核心的技术，下面分开来说：

一、大数据采集

大数据采集，即对各种来源的结构化和非结构化海量数据，所停止的采集。

数据库采集：盛行的有Sqoop和ETL，传统的关系型数据库MySQL和Oracle 也依然充当着许多企业的数据存储方式。当然了，目前对于开源的Kettle和Talend本身，也集成了大数据集成内容，可完成hdfs，hbase和主流Nosq数据库之间的数据同步和集成。网络数据采集：一种借助网络爬虫或网站公开API，从网页获取非结构化或半结构化数据，并将其一致结构化为本地数据的数据采集方式。文件采集：包括实时文件采集和处理技术flume、基于ELK的日志采集和增量采集等等。

数据采集的生命周期

二、大数据预处理

大数据预处理，指的是在停止数据分析之前，先对采集到的原始数据所停止的诸如“清洗、填补、平滑、合并、规格化、分歧性检验”等一系列操作，旨在提高数据质量，为后期分析工作奠定基础。数据预处理次要包括四个部分：数据清算、数据集成、数据转换、数据规约。

大数据预处理

数据清算：指应用ETL等清洗工具，对有遗漏数据(短少感兴味的属性)、噪音数据(数据中存在着错误、或偏离希冀值的数据)、不分歧数据停止处理。数据集成：是指将不同数据源中的数据，合并存放到一致数据库的，存储方法，着重处理三个成绩：形式婚配、数据冗余、数据值冲突检测与处理。数据转换：是指对所抽取出来的数据中存在的不分歧，停止处理的过程。它同时包含了~数据清洗的工作，即根据业务规则对异常数据停止清洗，以保证后续分析结果准确性数据规约：是指在最大限制保持数据原貌的基础上，最大限制精简数据量，以得到较小数据集的操作，包括：数据方聚集、维规约、数据紧缩、数值规约、概念分层等。

三、大数据存储

大数据存储，指用存储器，以数据库的方式，存储采集到的数据的过程，包含三种典型道路：

1、基于MPP架构的新型数据库集群

采用Shared Nothing架构，结合MPP架构的高效分布式计算形式，经过列存储、粗粒度索引等多项大数据处理技术，重点面向行业大数据所展开的数据存储方式。具有低成本、高功能、高扩展性等特点，在企业分析类运用范畴有着广泛的运用。

较之传统数据库，其基于MPP产品的PB级数据分析才能，有着分明的优越性。自然，MPP数据库，也成为了企业新一代数据仓库的最佳选择。

2、基于Hadoop的技术扩展和封装

基于Hadoop的技术扩展和封装，是针对传统关系型数据库难以处理的数据和场景（针对非结构化数据的存储和计算等），应用Hadoop开源优势及相关特性（擅长处理非结构、半结构化数据、复杂的ETL流程、复杂的数据发掘和计算模型等），衍生出相关大数据技术的过程。

伴随着技术提高，其运用场景也将逐渐扩展，目前最为典型的运用场景：经过扩展和封装 Hadoop来完成对互联网大数据存储、分析的支撑，其中触及了几十种NoSQL技术。

3、大数据一体机

这是一种专为大数据的分析处理而设计的软、硬件结合的产品。它由一组集成的服务器、存储设备、操作系统、数据库管理系统，以及为数据查询、处理、分析而预安装和优化的软件组成，具有良好的波动性和纵向扩展性。

大数据存储

四、大数据分析发掘

从可视化分析、数据发掘算法、预测性分析、语义引擎、数据质量管理等方面，对杂乱无章的数据，停止萃取、提炼和分析的过程。

1、可视化分析

可视化分析，指借助图形化手腕，明晰并有效传达与沟通讯息的分析手腕。次要运用于海量数据关联分析，即借助可视化数据分析平台，对分散异构数据停止关联分析，并做出残缺分析图表的过程。

具有简单明了、明晰直观、易于接受的特点。

FineBI可视化

2、数据发掘算法

数据发掘算法，即经过创建数据发掘模型，而对数据停止试探和计算的，数据分析手腕。它是大数据分析的实际核心。

数据发掘算法多种多样，且不同算法因基于不同的数据类型和格式，会呈现出不同的数据特点。但普通来讲，创建模型的过程却是相似的，即首先分析用户提供的数据，然后针对特定类型的形式和趋向停止查找，并用分析结果定义创建发掘模型的最佳参数，并将这些参数运用于整个数据集，以提取可行形式和详细统计信息。

FineBI的数据发掘功能

3、预测性分析

预测性分析，是大数据分析最重要的运用范畴之一，经过结合多种高级分析功能（特别统计分析、预测建模、数据发掘、文本分析、实体分析、优化、实时评分、机器学习等），达到预测不确定事情的目的。

协助分用户析结构化和非结构化数据中的趋向、形式和关系，并运用这些目的来预测将来事情，为采取措施提供根据。

FineBI预测回归

4、语义引擎

语义引擎，指经过为已有数据添加语义的操作，提高用户互联网搜索体验。

5、数据质量管理

指对数据全生命周期的每个阶段（计划、获取、存储、共享、维护、运用、消亡等）中能够引发的各类数据质量成绩，停止辨认、度量、监控、预警等操作，以提高数据质量的一系列管理活动。

以上是从大的方面来讲，详细来说大数据的框架技术有很多，这里罗列其中一些：

文件存储：Hadoop HDFS、Tachyon、KFS

离线计算：Hadoop MapReduce、Spark

流式、实时计算：Storm、Spark Streaming、S4、Heron

K-V、NOSQL数据库：HBase、Redis、MongoDB

资源管理：YARN、Mesos

日志搜集：Flume、Scribe、Logstash、Kibana

音讯系统：Kafka、StormMQ、ZeroMQ、RabbitMQ

查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

分布式协调服务：Zookeeper

集群管理与监控：Ambari、Ganglia、Nagios、Cloudera Manager

数据发掘、机器学习：Mahout、Spark MLLib

数据同步：Sqoop

义务调度：Oozie

······

还不错，较为基础

马瑞卡

分享

分享了

分享了

分享了

分享了

分享了

分享了