我們引用了大數(shù)據(jù)的4V特征

• Volume 大數(shù)據(jù)數(shù)據(jù)量大，數(shù)據(jù)量單位為T 或者P級
• Variety 數(shù)據(jù)類型多，大數(shù)據(jù)包含多種數(shù)據(jù)維度 比如 日志、視頻、圖片
• Value 價值密度低，商業(yè)價值高 比如監(jiān)控視頻，其中關(guān)鍵1-2秒可能具有極高的價值
• Velocity 要求處理速度塊

1.2 大數(shù)據(jù)的4個關(guān)鍵技術(shù)

1.3 ETL/ELT的區(qū)別

ETL 包含的過程是 Extract、Transform、Load的縮寫

包括了數(shù)據(jù)抽取 => 轉(zhuǎn)換 => 加載三個過程

在數(shù)據(jù)源抽取后首先進行轉(zhuǎn)換，然后將轉(zhuǎn)換的結(jié)果寫入目的地

ETL 包含的過程是 Extract、Load、Transform的縮寫

ELT的過程是，在抽取后將結(jié)果先寫入目的地，然后利用數(shù)據(jù)庫的聚合分析能力或者外部計算框架，如Spark來完成轉(zhuǎn)換

目前數(shù)據(jù)主流框架是ETL，重抽取和加載，輕轉(zhuǎn)換，搭建的數(shù)據(jù)平臺屬于輕量級

ELT架構(gòu)，在提取完成之后，數(shù)據(jù)加載會立即開始，更省時，數(shù)據(jù)變換這個過程根據(jù)后續(xù)使用需求在 SQL 中進行，而不是在加載階段

ELT框架的優(yōu)點就是保留了原始數(shù)據(jù)，能夠?qū)⒃紨?shù)據(jù)展現(xiàn)給數(shù)據(jù)分析人員

ETL相關(guān)軟件：

• 商業(yè)軟件：Informatica PowerCenter、IBM InfoSphere DataStage、Oracle Data Integrator、Microsoft SQL Server Integration Services等
• 開源軟件：Kettle、DataX、Sqoop

1.4 大數(shù)據(jù)與數(shù)據(jù)庫管理系統(tǒng)

DataBase Management System，數(shù)據(jù)庫管理系統(tǒng)，可以管理多個數(shù)據(jù)庫

目前關(guān)系型數(shù)據(jù)庫在DBMS中占據(jù)主流地位，常用的關(guān)系型數(shù)據(jù)庫有Oracle、MySQL和SQL Server

其中SQL就是關(guān)系型數(shù)據(jù)庫的查詢語言

SQL是與數(shù)據(jù)直接打交道的語言，是與前端、后端語言進行交互的“中臺”語言

SQL語言特點：

• 價值大，技術(shù)、產(chǎn)品、運營人員都要掌握SQL，使用無處不在
• 很少變化，SQL語言從誕生到現(xiàn)在，語法很少變化
• 入門并不難，很多人都會寫SQL語句，但是效率差別很大

除了關(guān)系型數(shù)據(jù)庫還有文檔型數(shù)據(jù)庫MongoDB、鍵值型數(shù)據(jù)庫Redis、列存儲數(shù)據(jù)庫Cassandra等

提到大數(shù)據(jù)就不得不說Hive

Hive是基于Hadoop的一個數(shù)據(jù)倉庫工具，用來進行數(shù)據(jù)提取、轉(zhuǎn)化、加載，這是一種可以存儲、查詢和分析存儲在Hadoop中的大規(guī)模數(shù)據(jù)的機制。

Hive與關(guān)聯(lián)型數(shù)據(jù)庫RDBMS相比

不足：

• 不能像 RDBMS 一般實時響應，Hive 查詢延時大
• 不能像 RDBMS 做事務(wù)型查詢，Hive 沒有事務(wù)機制
• 不能像 RDBMS 做行級別的變更操作（包括插入、更新、刪除）

優(yōu)點：

• Hive 沒有定長的 varchar 這種類型，字符串都是 string
• Hive 是讀時模式，保存表數(shù)據(jù)時不會對數(shù)據(jù)進行校驗，而在讀數(shù)據(jù)時將校驗不符合格式的數(shù)據(jù)設(shè)置為NULL

1.5 OLTP/OLAP

在數(shù)據(jù)倉庫架構(gòu)中有非常相關(guān)的2個概念，一個是OLTP，一個是OLAP

• OLTP（ On-Line Transaction Processing ）

聯(lián)機事務(wù)處理，主要是對數(shù)據(jù)的增刪改

記錄業(yè)務(wù)發(fā)生，比如購買行為，發(fā)生后，要記錄是誰在什么時候做了什么事，數(shù)據(jù)會以增刪改的方式在數(shù)據(jù)庫中進行數(shù)據(jù)的更新處理操作

實時性高、穩(wěn)定性強，ATM，ERP，CRM，OA等都屬于OLTP

• OLAP（ On-Line Analytical Processing ）

聯(lián)機分析處理，主要是對數(shù)據(jù)的分析查詢

當數(shù)據(jù)積累到一定的程度，需要做總結(jié)分析，BI報表=> OLAP

OLTP產(chǎn)生的數(shù)據(jù)通常在不同的業(yè)務(wù)系統(tǒng)中

OLAP需要將不同的數(shù)據(jù)源 => 數(shù)據(jù)集成 => 數(shù)據(jù)清洗 => 數(shù)據(jù)倉庫，然后由數(shù)據(jù)倉庫統(tǒng)一提供OLAP分析

2.大數(shù)據(jù)計算

2.1 大數(shù)據(jù)計算模式

2.2 Lambda大數(shù)據(jù)框架

Lambda架構(gòu)：

Batch Layer（批處理層），對離線的歷史數(shù)據(jù)進行預計算，能讓下游進行快速查詢。因為基于完整的數(shù)據(jù)集，準確性能得到保證。可以用Hadoop、Spark 和 Flink 等計算框架

Speed Layer（加速處理層），處理實時的增量數(shù)據(jù)，加速層的數(shù)據(jù)不如批處理層完整和準確，但重點在于低延遲。可以用 Spark streaming、Storm 和 Flink 等計框架算

Serving Layer（合并層），將歷史數(shù)據(jù)計算與實時數(shù)據(jù)計算合并，輸出到數(shù)據(jù)庫，供下游分析

2.3 大數(shù)據(jù)典型技術(shù)

• Hadoop

一個文件系統(tǒng)，外加一個離線處理框架MapReduce，由于提供的上層api不太友好，加上MapReduce 處理框架比較慢，基本上都用作文件系統(tǒng)

• Spark

本身是一個執(zhí)行引擎，不保存數(shù)據(jù)，所以需要外部的文件系統(tǒng)（通常會基于hadoop）提出了內(nèi)存計算的概念，即盡可能把數(shù)據(jù)放到內(nèi)存中，還提供了良好的上層使用接口，包括spl語句（spark sql）處理數(shù)據(jù)十分方便。相比 Hadoop MapReduce 獲得了百倍的性能提升，基本上用它來做離線數(shù)據(jù)處理

• Flink

分布式實時計算框架，具有超高的性能，支持Flink流式計算與Storm性能差不多，支持毫秒級計算

Spark 和 Flink的區(qū)別

3.大數(shù)據(jù)實踐

本文主要講解了大數(shù)據(jù)的概念和基礎(chǔ)知識，幫助讀者對大數(shù)據(jù)有一個基本了解。如果對實踐有學習需要（可以留言），我再花時間整理大數(shù)據(jù)的實踐講解：Pyspark進行Titanic乘客生存預測。使用pyspark進行初步的大數(shù)據(jù)操作，數(shù)據(jù)選取Kaggle泰坦尼克號項目的數(shù)據(jù)，通過Spark讀取數(shù)據(jù)，并利用Spark中的ML工具對數(shù)據(jù)進行構(gòu)建模型。