在大数据时代下，你准备好要了解大数据的基础知识了吗？-白红宇

在大数据时代下，你准备好要了解大数据的基础知识了吗？

阅读量：4128 次

发布时间：2019-05-25

本文共 3333 字，大约阅读时间需要 11 分钟。

大数据是指“无法用现有的软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合。”

大数据的意义

第一次工业革命：煤炭为基础，蒸汽机和印刷术为标志；

第二次工业革命：石油为基础，内燃机和电信技术为标志；

第三次工业革命：核能基础，互联网技术为标志；

第四次工业革命：可再生能源为基础，数据和内容作为互联网的核心为标志。

大数据的类型

1、传统企业数据：包括CRM systems的消费者数据，传统的ERP数据，库存数据以及账目数据等。

2、机器和传感器数据：包括呼叫记录，智能仪表，工业设备传感器，设备日志交易数据等。

3、社交数据：包括用户行为记录，反馈数据等。

戳我阅读

！戳我阅读

大数据挖掘商业价值的方法

1、客户群体细分：为每个群体量身定制特别的服务；

2、加强部门联系：提高整条管理链条和产业链条的效率；

3、模拟现实环境：发掘新的需求同时提高投资的回报率；

4、降低服务成本：发现隐藏线索进行产品和服务的创新。

大数据的特征

1、数据体量巨大：人类生产的所有印刷才来偶的数量是200PB，而历史上全人类说过的所有话的数量大约是5EB（1EB=210PB）；

2、价值密度低：价值密度的高低与数据总量的大小成反比，如何通过强大的机器算法更迅速地完成数据的价值“提纯”成为目前大数据背景下待解决的难题。

3、数据类型繁多：相对于以往便于存储的以文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、图片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高的要求。

4、处理速度快：大数据区分于传统数据挖掘的最显著特征。

整理了一个学习路线。

学习路线

Linux(shell,高并发架构,lucene,solr)

Hadoop(Hadoop,HDFS,Mapreduce,yarn,hive,hbase,sqoop,zookeeper,flume)

机器学习(R,mahout)

Storm(Storm,kafka,redis)

Spark(scala,spark,spark core,spark sql,spark streaming,spark mllib,spark graphx)

Python(python,spark python)

平台(docker,kvm,openstack)

大数据学习资料分享群199427210

名词解释

一、Linux

lucene：全文检索引擎的架构

solr：基于lucene的全文搜索服务器，实现了可配置、可扩展并对查询性能进行了优化，并且提供了一个完善的功能管理界面。

二、Hadoop

hadoop common

HDFS：分布式存储系统，包含NameNode，DataNode。NameNode：元数据，DataNode。DataNode：存数数据。

yarn：可以理解为MapReduce的协调机制，本质就是Hadoop的处理分析机制，分为ResourceManager NodeManager。

MapReduce：软件框架，编写程序。

Hive：数据仓库可以用SQL查询，可以运行Map/Reduce程序。用来计算趋势或者网站日志，不应用于实时查询，需要很长时间返回结果。

HBase：数据库。非常适合用来做大数据的实时查询。Facebook用Hbase存储消息数据并进行消息实时的分析

ZooKeeper：针对大型分布式的可靠性协调系统。Hadoop的分布式同步等靠Zookeeper实现，例如多个NameNode，active standby切换。

Sqoop：数据库相互转移，关系型数据库和HDFS相互转移

Mahout：可扩展的机器学习和数据挖掘库。用来做推荐挖掘，聚集，分类，频繁项集挖掘。

Chukwa：开源收集系统，监视大型分布式系统，建立在HDFS和Map/Reduce框架之上。显示、监视、分析结果。

Ambari：用于配置、管理和监视Hadoop集群，基于Web，界面友好。

二、Cloudera

Cloudera Manager：管理监控诊断集成

Cloudera CDH：(Cloudera's Distribution，including Apache Hadoop) Cloudera对Hadoop做了相应的改变，发行版本称为CDH。

Cloudera Flume：日志收集系统，支持在日志系统中定制各类数据发送方，用来收集数据。

Cloudera Impala：对存储在Apache Hadoop的HDFS，HBase的数据提供直接查询互动的SQL。

Cloudera hue： web管理器，包括hue ui，hui server，hui db。hue提供所有CDH组件的shell界面的接口，可以在hue编写mr。

三、机器学习/R

R：用于统计分析、绘图的语言和操作环境，目前有Hadoop-R

mahout：提供可扩展的机器学习领域经典算法的实现，包括聚类、分类、推荐过滤、频繁子项挖掘等，且可通过Hadoop扩展到云中。

四、storm

Storm：分布式，容错的实时流式计算系统，可以用作实时分析，在线机器学习，信息流处理，连续性计算，分布式RPC，实时处理消息并更新数据库。

Kafka：高吞吐量的分布式发布订阅消息系统，可以处理消费者规模的网站中的所有动作流数据（浏览，搜索等）。相对Hadoop的日志数据和离线分析，可以实现实时处理。目前通过Hadoop的并行加载机制来统一线上和离线的消息处理

Redis：由c语言编写，支持网络、可基于内存亦可持久化的日志型、key-value型数据库。

五、Spark

Scala：一种类似java的完全面向对象的编程语言。

Spark： Spark是在Scala语言中实现的类似于Hadoop MapReduce的通用并行框架，除了Hadoop MapReduce所具有的优点，但不同于MapReduce的是job中间输出结果可以保存在内存中，从而不需要读写HDFS，因此Spark能更好的适用于数据挖掘与机器学习等需要迭代的MapReduce算法。可以和Hadoop文件系统并行运作，用过Mesos的第三方集群框架可以支持此行为。

Spark SQL：

Spark Streaming：一种构建在Spark上的实时计算框架，扩展了Spark处理大数据流式数据的能力。

Spark MLlib： MLlib是Spark是常用的机器学习算法的实现库，目前(2014.05)支持二元分类，回归，聚类以及协同过滤。同时也包括一个底层的梯度下降优化基础算法。MLlib以来jblas线性代数库，jblas本身以来远程的Fortran程序。

Spark GraphX： GraphX是Spark中用于图和图并行计算的API，可以在Spark之上提供一站式数据解决方案，可以方便且高效地完成图计算的一整套流水作业。

jblas：一个快速的线性代数库（JAVA）。基于BLAS与LAPACK，矩阵计算实际的行业标准，并使用先进的基础设施等所有的计算程序的ATLAS艺术的实现，使其非常快。

Fortran：最早出现的计算机高级程序设计语言，广泛应用于科学和工程计算领域。

BLAS：基础线性代数子程序库，拥有大量已经编写好的关于线性代数运算的程序。

LAPACK：著名的公开软件，包含了求解科学与工程计算中最常见的数值线性代数问题，如求解线性方程组、线性最小二乘问题、特征值问题和奇异值问题等。

ATLAS： BLAS线性算法库的优化版本。

Spark Python： Spark是由scala语言编写的，但是为了推广和兼容，提供了java和python接口。

六、Python

Python: 一种面向对象的、解释型计算机程序设计语言。