大数据入门干货

首先，提及大数据一词的概念。大数据本质还在于数据，但是它有着新的特征亮点。包括：数据来源广，数据格式多样化(结构化数据、非结构化数据、Excel文件、文本文件等)、数据量大(最少也是TB级别的、甚至可能是PB级别)、数据增长速度快等等。

扩展讲大数据的4个基本特征，我们将进行下面额思考：

1.数据来源广？

广泛的数据来源从何而来，通过何种方式进行采集与汇总？相对应的我们出现Sqoop，

Cammel，Datax等工具。

2.数据采集之后，该如何存储?

采集之后，为了方便存储，我们对应的出现了GFS，HDFS，TFS等分布式文件存储系统。

并且，介于数据的增长速度非常之快，这也就要求我们，数据存储必须可以进行水平扩展。

3.数据存储之后，该如何通过运算快速转化成一致的格式，又该如何快速运算出自己想要的结果?

对此，MapReduce的分布式运算框架提出了解决方案。但是由于MapReduce需要java的编程代码较多，由此，又出现了Hive，Pig等将SQL转化成MapReduce的解析引擎;再有，因普通的MapReduce只能一批一批地批量处理数据，时间消耗过多，最终目的又要求我们输入的一条数据就能得到结果，于是又出现了Storm/JStorm这样的低时延的流式计算框架;但是如果同时需要批处理和流处理，按照如上就得搭两个集群，Hadoop集群(包括HDFS+MapReduce+Yarn)和Storm集群，不易于管理，所以出现了Spark这样的一站式的计算框架，既可以进行批处理，又可以进行流处理(实质上是微批处理)。而后Lambda架构，Kappa架构的出现，又提供了一种业务处理的通用架构。

4.此外，为了提高工作效率，加快运速度，出现了一些辅助工具：

Ozzie，azkaban：定时任务调度的工具。

Hue，Zepplin：图形化任务执行管理，结果查看工具。

Scala语言：编写Spark程序的最佳语言，当然也可以选择用Python。

Python语言：编写一些脚本时会用到。

Allluxio，Kylin等：通过对存储的数据进行预处理，加快运算速度的工具。