说起大数据,很多人都能聊上一会,但要是问大数据核心技术有哪些,估计很多人就说不上一二来了。
从机器学习到数据可视化,大数据发展至今已经拥有了一套相当成熟的技术树,不同的技术层面有着不同的技术架构,而且每年还会涌现出新的技术名词。面对如此庞杂的技术架构,很多第一次接触大数据的小白几乎都是望而生畏的。
其实想要知道大数据有哪些核心技术很简单,无非三个过程:取数据,算数据,用数据。这么说可能还是有人觉得太空泛,简单来说从大数据的生命周期来看,无外乎四个方面:大数据采集,大数据预处理,大数据存储,大数据分析,共同组成了大数据生命周期里最核心的技术、下面分开来说:
一、大数据采集
大数据采集,即对各种来源的结构化和非结构化海量数据,所进行的采集。
数据库采集:流行的有Sqoop和ETL、传统的关系型数据库MySQL和Oracle也依然充当着许多企业的数据存储方式。当然了,目前对于开源的水壶和Talend本身,也集成了大数据集成内容,可实现hdfs, hbase和主流Nosq数据库之间的数据同步和集成。
网络数据采集:一种借助网络爬虫或网站公开API,从网页获取非结构化或半结构化数据,并将其统一结构化为本地数据的数据采集方式。
文件采集:包括实时文件采集和处理技术水槽,基于麋鹿的日志采集和增量采集等等。
推荐大数据学习交流裙606八五705每九天晚上20:10会有大数据直播课程,专注大数据开发课程,数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是纯干货分享,每天学一点技术知识。
二大数据预处理
大数据预处理,指的是在进行数据分析之前,先对采集到的原始数据所进行的诸如“清洗、填补,平滑,合,并规格化,一致性检验”等一系列操作,旨在提高数据质量,为后期分析工作奠定基础。数据预处理主要包括四个部分:
数据清理,数据集成,数据转换,数据规约。
数据清理:指利用ETL等清洗工具,对有遗漏数据(缺少感兴趣的属性),噪音数据(数据中存在着错误,或偏离期望值的数据),不一致数据进行处理。
数据集成:是指将不同数据源中的数据,合并存放到统一数据库的,存储方法,着重解决三个问题:模式匹配,数据冗余,数据值冲突检测与处理。
数据转换:是指对所抽取出来的数据中存在的不一致,进行处理的过程。它同时包含了~数据清洗的工作,即根据业务规则对异常数据进行清洗,以保证后续分析结果准确性
数据规约:是指在最大限度保持数据原貌的基础上,最大限度精简数据量,以得到较小数据集的操作,包括:数据方聚集,维规约,数据压缩,数值规约,概念分层等。
三大数据存储
大数据存储,指用存储器,以数据库的形式,存储采集到的数据的过程,包含三种典型路线:
1,基于MPP架构的新型数据库集群
采用无共享架构,结合MPP架构的高效分布式计算模式,通过列存储,粗粒度索引等多项大数据处理技术,重点面向行业大数据所展开的数据存储方式。具有低成本,高性能,高扩展性等特点,在企业分析类应用领域有着广泛的应用。
较之传统数据库,其基于MPP产品的PB级数据分析能力,有着显著的优越性。自然,MPP数据库,也成为了企业新一代数据仓库的最佳选择。
2,基于Hadoop的技术扩展和封装
基于Hadoop的技术扩展和封装,是针对传统关系型数据库难以处理的数据和场景(针对非结构化数据的存储和计算等),利用Hadoop开源优势及相关特性(善于处理非结构,半结构化数据,复杂的ETL流程,复杂的数据挖掘和计算模型等),衍生出相关大数据技术的过程。
伴随着技术进步,其应用场景也将逐步扩大,目前最为典型的应用场景:通过扩展和封装Hadoop来实现对互联网大数据存储,分析的支撑,其中涉及了几十种NoSQL技术。
3,大数据一体机
这是一种专为大数据的分析处理而设计的软,硬件结合的产品。它由一组集成的服务器,存储设备,操作系统,数据库管理系统,以及为数据查询,处理,分析而预安装和优化的软件组成,具有良好的稳定性和纵向扩展性。
四、大数据分析挖掘
从可视化分析,数据挖掘算法,预测性分析,语义引擎,数据质量管理等方面,对杂乱无章的数据,进行萃取,提炼和分析的过程。
1,可视化分析
可视化分析,指借助图形化手段,清晰并有效传达与沟通信息的分析手段。主要应用于海量数据关联分析,即借助可视化数据分析平台,对分散异构数据进行关联分析,并做出完整分析图表的过程。
