大数据的关键技术（一）

一、大数据处理的基本流程——采集、存储、分析和实现

** ①数据采集->②数据归整->③数据存储->④数据处理->⑤数据呈现**

二、大数据技术

• 数据采集宇预处理
• 数据采集和管理
• 数据处理与分析
• 数据安全与隐私保护

（一）数据采集与预处理**：联机分析处理（OLAP）与实时处理分析 **

（二）数据存储与管理*：对结构、非结构、半结构等海量数据进行存储（关系数据库、非关系数据库、数***据仓库、分布式文件系统） **

（三）数据处理与分析**：利用 MapReduce 等结合着机器学习和数据挖掘算法实现数据分析和处理 **

（四）数据隐私和安全保护**：构建出隐私数据保护体系和数据安全体系，保护个人隐私和数据安全。 **

三、Hadoop技术——分布式系统基础架构

（1）**Hadoop 是用于处理（运算分析）海量数据的技术平台，且是采用分布式集群的方式。 **

（2）**功能 **

**①、存储：提供海量数据的存储服务； **

**②、计算：提供分析海量数据的编程框架及运行平台； **

（3）三大核心组件：

①、**HDFS:hadoop **分布式文件系统海量数据的存储(集群服务)

②、MapReduce:分布式运算框架（编程框架）（导 jar 包程序）

③、Yarn:资源调度管理集群

四、MapReduce技术

**（1）MapReduce 是 Hadoop 核心技术之一。 **

*（***2）MapReduce 框架的核心步骤主要分两部分：Map 和 Reduce。 **

*（3）为分布式计算的程序设计提供了良好的编程接口，并且屏蔽了底层通信原理，使得程序员只需关心*业务逻辑本事，就可轻易的编写出基于集群的分布式并行程序。 **

*（***4）“Map”就是将一个任务分解成为多个子任务并行的执行； **

（****5）“Reduce”就是将分解后多任务处理的结果汇总起来，得出最后的分析结果并输出。

（6）MapReduce 的功能：

①、数据划分和计算任务调度：将 job 分成多个数据块来计算，并自动调度计算节点来处理这些数据块。

②、数据/代码互定位：减少数据通信，从数据所在的本地机架上寻找可用节点以减少通信延迟。

③、系统优化：为了减少数据通信开销，中间结果数据进入 Reduce 节点前会进行一定的合并处理

④、出错检测和恢复： MapReduce 需要能检测并隔离出错节点，并调度分配新的节点接管出错节点的计算任务，维护数据存储的可靠性。

五、NoSQL技术

*（1）NoSQL 数据库是非关系型数据库，它主要是用来解决半结构化数据和非结构化数据的存储问题。***（mongoDB、redis、hbase 等） **

*（***2）NoSQL 是一种非关系型 DMS，不需要固定的架构，可以避免 joins 链接，并且易于扩展。 **

*（***3）NoSQL 技术功能： **

**①、数据管理：提供查询窗口和命令窗口功能。 **

**②、结构管理：提供库、文档和索引等对象管理功能。 **

**③、实时性能展示：提供核心性能指标的实时展示。 **

六、大数据计算模式

• 批处理计算
• 流计算
• 图计算
• 查询分析计算

（一）批处理计算

    批处理计算主要解决针对大规模数据的批量处理，也是我们日常数据分析工作中常见的一类数据处理需求。

MapReduce

**Spark **

（二）流计算

    批处理计算主要解决针对大规模数据的批量处理，也是我们日常数据分析工作中常见的一类数据处理需求。

流数据

（三）图计算

    在大数据时代，许多大数据都是以大规模图或网络的形式呈现，如社交网络、传染病传播途径、交通事故对路网的影响等，此外，许多非图结构的大数据也常常会被转换为图模型后再进行处理分析。

（四）查询分析计算

       针对超大规模数据的存储管理和查询分析，需要提供实时或准实时的响应，才能很好地满足企业经营管理需求。