【大数据应用开发】大数据的概念

一. 大数据的概念

维基百科定义：
大数据是指利用常用软件工具捕获，管理和处理数据所耗时间超过可容忍时间的数据集。

二. 大数据4V特征

• Volume：体量巨大
• Velocity：处理速度快
• Variety：类型繁多（结构化，半结构化，非结构化）
• Value：价值密度低

三. 大数据主流技术

• 数据采集预处理

1. flume可以进行流式日志数据的收集
2. sqoop可以交互关系型数据库，进行导入导出数据
3. 使用爬虫技术，可以在网上爬取海量网页数据

• 数据存储与管理
  大数据利用分布式文件系统HDFS、HBase、Hive，实现对结构化、半结构化和非结构化数据的存储和管理。
• 数据处理与分析
  利用分布式并行编程模型和计算框架，结合机器学习和数据挖掘算法，实现对海量数据的处理和分析。

四. 大数据应用

五. 场景化解决方案：

1. 离线批处理

1.1 概念：

离线批处理，是指对海量历史数据进处理和分析，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。

1.2 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

1.3 流程图

2. 实时检索

2.1 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，实现即搜即得的效果。强调的是实时低延迟。

2.2 核心诉求

• 检索性能要求高
• 高并发查询
• 数据量大
• 支持结构化和非结构化
• 高效的数据加载
• 支持图检索

2.3流程图

3. 实时流处理

3.1 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。

3.2 诉求：

• 处理数据快
• 高吞吐量
• 抗震性强
• 可靠性高
• 水平扩展
• 多数据源支持
• 数据权限和资源隔离
• 第三方工具对接

3.3 流程图

4.融合数仓

4.1概念：

在数据慢慢呈现数据处理量大、数据处理时延低、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。

4.2诉求

• 数据统一存储
• 减少数据孤岛和冗余
• 一集成（旧业务和新业务可以无缝集成）
• 大集群

4.3流程图