大数据--讲义.pdfVIP

大数据发展背景 大数据起源及发展趋势 什么是大数据 海量数据从哪里来 数据摩尔定律 2005 年 2015 年 为什么大数据技术会出现 为什么传统数据库不能解决大数据的问题 大数据技术 大数据生命周期 数据采集-》数据清洗整理-》数据存取-》数据挖掘与分析-》数据展示与应用 大数据技术生态 数据采集 数据存储 SQL 引擎 离线计算 流式计算 多维分析 数据挖掘 Sqoop HDFS MR Storm Kylin Mahout Spark SQL Flume Hbase Spark Spark Druid KNIME HAWQ Streaming PGXZ Hive Flink MongoDB Impala 核心技术 分布式存储 ： 分布式存储是一种数据存储技术，通过网络使用企业中的每台机器上的磁盘空间，并将这些分散的存储资源构成一个虚拟的存储设备，数据 分散的存储在企业的各个角落。 分布式计算： 分布数据计算(Distributed Data Processing，简称DDP) 使对计算、数据处理等等方面使用需求分散到构成整个系统的各个节点中。分布式 计算是一门计算科学他研究如何把一个需要非常巨大的计算能力才能解决的问题分成许多小的部分，然后把这些部分分配给许多计算进行处理， 最后把这些计算结果综合起来得到最终的结果。 CAP 原则 ： A Avaliability CAP 理论 P C Partition Consistency Tolerance CA:Traditional RDBMS 、GreenPlum、Gbase…… CP:Hbase、Redis、MongoDB、…… AP:Dynamo 、Cassandra 、…… Consistency （一致性，事务）：即数据一致性，简单的说，就是数据复制到了N 台机器，如果有更新，要N 机器的数据是一起更新的。 Availability （可用性）：好的响应性能，此项意思主要就是速度。 Partition tolerance （分区容错性）：这里是说好的分区方法，体现具体一点，简单地可理解为是节点的可扩展性。 定理：任何分布式系统只可同时满足二点，没法三者兼顾。 忠告：架构师不要将精力浪费在如何设计能满足三者的完美分布式系统，而是应该进行取舍。 大数据平台—案例分析 京东金融--大数据平台 总体架构 大数据分析平台总体产品框架 阿里—大数据 阿里云技术层次 阿里--政务大数据 大数据—合作分工 服务提供者 1、 技术处于领先，致力于打造平台型产品。 2、 直接拥有或间接拥有数据。 3、 Google、微软、Facebook、亚马逊、BAT 数据拥有者 1、 拥有大量数据、不知道如何使用或商业模式老旧。 2