大数据基础知识

一、什么是大数据

一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理（MPP）数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

二、大数据的基本特征

数据量大（Volume）：第一个特征是数据量大，包括采集、存储和计算的量都非常大。

类型繁多（Variety）：第二个特征是种类和来源多样化。包括结构化、半结构化和非结构化数据，具体表现为网络                                            日志、音频、视频、图片、地理位置信息等等，多类型的数据对数据的处理能力提出了更高                                             的要求。

价值密度低（Value）：第三个特征是数据价值密度相对较低，或者说是浪里淘沙却又弥足珍贵。随着互联网以及物                                            联网的广泛应用，信息感知无处不在，信息海量，但价值 密度较低，如何结合业务逻辑并通                                            过强大的机器算法来挖掘数据价值，是大数据时代最需要解决的问题。

速度快时效高（Velocity）：第四个特征数据增长速度快，处理速度也快，时效性要求高。

数据是在线的（Online）。数据是永远在线的，是随时能调用和计算的，这是大数据区别于传统数据最大的特征。

三、大数据的数据单位

      按顺序给出所有单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。（进率2^10）

四、大数据的数据结构

    结构化数据：即行数据,存储在数据库里,可以用二维表结构来逻辑表达实现的数据

非结构化数据：非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，

不方便用数据库二维逻辑表来表现的数据。包括所有格式的办公文档、

文本、图片、XML, HTML、各类报表、图像和音频/视频信息等等。

半结构化数据：指结构数据中，结构不规则的数据，由于结构变化很大也不能够简单的

建立一个表和他对应。如：声音、图像文件等之间的数据，HTML文档就

属于半结构化数据。它一般是自描述的，数据的结构和内容混在一起，

没有明显的区分。

五、大数据的计算模式

批处理计算 （  MapReduce，Spark）：最适合于完成大数据批处理的计算模式是MapReduce，首先，MapReduce对具有简单数据关系、易于划分的大规模数据采用“分而治之”的并行处理思想；然后将大量重复的数据记录处理过程总结成Map和Reduce两个抽象的操作；最后MapReduce提供了一个统一的并行计算框架，把并行计算所涉及到的诸多系统层细节都交给计算框架去完成，以此大大简化了程序员进行并行化程序设计的负担。

流式计算   （Scribe ，Flume，Storm，S4，SparkStreaming）流式计算是一种高实时性的计算模式，需要对一定时间窗口内应用系统产生的新数据完成实时的计算处理，避免造成数据堆积和丢失。

迭代计算 （ HaLoop ，iMapReduce，Twister，Spark）为了克服Hadoop MapReduce难以支持迭代计算的缺陷，工业界和学术界对Hadoop MapReduce进行了不少改进研究。HaLoop把迭代控制放到MapReduce作业执行的框架内部，并通过循环敏感的调度器保证前次迭代的Reduce输出和本次迭代的Map输入数据在同一台物理机上，以减少迭代间的数据传输开销；

交互式计算

图计算    （Pregel,PowerGrapg,GraphX）

内存计算 （Dremel，Hana，redis）

六、大数据的工作流程

1、采集与预处理 

     从数据源采集的数据，需要通过数据融合、数据集成、数据整合，生成新的数据集，供后续查询、分析、处理提供统一的数据视图

2、存储管理

 分布式文件系统

      分布式数据库（NEWSQL、NOSQL）

3、计算模式

 包括批处理、交互式处理、流式计算、迭代计算、图计算、内存计算

4、分析与挖掘

5、可视化处理

七、CDH简介

CDH首先是100%开源，基于Apache协议。基于Apache Hadoop和相关projiect开发。可以做批量处理，交互式sql查询和及时查询，基于角色的权限控制。在企业中使用最广的hadoop分发版本。 

八、分布式架构设计CAP的工作原理

一致性（C）：在分布式系统中的所有数据备份，在同一时刻是否同样的值。（等同于所有节点访问同一份最新的数据副本），换句话就是说，任何时刻，所用的应用程序都能访问得到相同的数据。

可用性（A）：在集群中一部分节点故障后，集群整体是否还能响应客户端的读写请求。（对数据更新具备高可用性），换句话就是说，任何时候，任何应用程序都可以读写数据。

分区容错性（P）：以实际效果而言，分区相当于对通信的时限要求。系统如果不能在时限内达成数据一致性，就意味着发生了分区的情况，必须就当前操作在C和A之间做出选择，换句话说，系统可以跨网络分区线性的伸缩和扩展。

作者：Alukar
链接：https://www.jianshu.com/p/bcb07422e657