如何进行大数据处理？大数据处理的方法步骤.pdf

如何进⾏⼤数据处理？⼤数据处理的⽅法步骤 1. ⼤数据处理之⼀ ：采集 ⼤数据的采集是指利⽤多个数据库来 收发 ⾃客户端(Web、App或者传感器形式等)的 数据，并且⽤户可以通过这些数据库来进⾏简单的查 询和处理⼯作。⽐如，电商会使⽤传统的关系型数据库MySQL和Oracle等来存储每⼀笔事务数据，除 此之外，Redis和MongoDB这样的 NoSQL数据库也常⽤于数据的采集。 在⼤数据的采集过程中，其主要特点和挑战是并发数⾼，因为同时有可能会有成千上万的⽤户 来进⾏访问和操作，⽐如⽕车票售票⽹站和 淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署⼤量数据库才能⽀撑。并且如何在这些数据库之间 进⾏负载均衡和 分⽚的确是需要深⼊的思考和设计。 2. ⼤数据处理之⼆：导⼊/预处理 虽然采集端本⾝会有很多数据库，但是如果要对这些海量数据进⾏有效的分析，还是应该将这 些来 ⾃前端的数据导⼊到⼀个集中的⼤型分 布式数据库，或者分布式存储集群，并且可以在导⼊基础上做⼀些简单的清洗和预处理⼯作。也有⼀些⽤户会在导⼊时使 ⽤来 ⾃Twitter的 Storm来对数据进⾏流式计算，来满⾜部分业务的实时计算需求。 导⼊与预处理过程的特点和挑战主要是导⼊的数据量⼤，每秒钟的导⼊量经常会达到百兆，甚⾄千兆级别。 3. ⼤数据处理之三：统计/分析 统计与分析主要利⽤分布式数据库，或者分布式计算集群来对存储于其内的海量数据进⾏普通 的分析和分类汇总等，以满⾜⼤多数常见的 分析需求，在这⽅⾯，⼀些实时性需求会⽤到EMC的GreenPlum、Oracle的Exadata，以及基于 MySQL的列式存储Infobright等，⽽⼀ 些批处理，或者基于半结构化数据的需求可以使⽤Hadoop。 统计与分析这部分的主要特点和挑战是分析涉及的数据量⼤，其对系统资源，特别是I/O会有极⼤的占⽤。 4. ⼤数据处理之四：挖掘 与前⾯统计和分析过程不同的是，数据挖掘⼀般没有什么预先设定好的主题，主要是在现有数 据上⾯进⾏基于各种算法的计算，从⽽起到 预测(Predict)的效果，从⽽实现⼀些⾼级别数据分析的需求。⽐较典型算法有⽤于聚类的Kmeans、⽤于 统计学习的SVM和⽤于分类的 NaiveBayes，主要使⽤的⼯具有Hadoop的Mahout等。该过程的特点和挑战主要是⽤于挖掘的算法很复杂，并 且计算涉及的数据量和计 算量都很⼤，常⽤数据挖掘算法都以单线程为主。 在这⾥我还是要推荐下我 ⾃⼰建的⼤数据学习交流qq裙 ：522 189307 ， 裙 ⾥都是学⼤数据开发的，如果你正在学习⼤数据 ，⼩编欢迎 你加⼊，⼤家都是软件开发党，不定期分享⼲货 （只有⼤数据开发相关的），包括我 ⾃⼰整理的⼀份必威体育精装版的⼤数据进阶资料和⾼级开发教 程，欢迎进阶中和进想深⼊⼤数据的⼩伙伴。上述资料加群可以领取