大数据简介:

1. 大数据简介
   
2. ===
   
3. ## 一、大数据概论  
   
4.   大数据（big data）：指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。  
   
5.   最小的基本单位是bit，按顺序给出所有单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。  
   
6. >1Byte = 8bit  1K = 1024bit  1MB = 1024K  1G = 1024M  
   
7. >1T = 1024G  1P = 1024T  1E = 1024P  1Z = 1024E  
   
8. >1Y = 1024Z  1B = 1024Y  1N = 1024B  1D = 1024N  
   
9. ## 二、大数据特点
   
10. ### 1.Volume（大量）  
    
11.   截至目前，人类生产的所有印刷材料的数据量是200PB，而历史上全人类总共说过的话的数据量大约是5EB。当前，典型个人计算机硬盘的容量为TB量级，而一些大企业的数据量已经接近EB量级。  
    
12. 
    
13. ### 2.Velocity（高速）  
    
14.   这是大数据区分于传统数据挖掘的最显著特征。根据IDC的“数字宇宙”的报告，预计到2020年，全球数据使用量将达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。  
    
15.   天猫双十一：2017年3分01秒，天猫交易额超过100亿。  
    
16. 
    
17. ### 3.Variety（多样）  
    
18.   这种类型的多样性也让数据被分为结构化数据和非结构化数据。相对于以往便于存储的以数据库/文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、图片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求。  
    
19. 
    
20. ### 4.Value（低价值密度）  
    
21.   价值密度的高低与数据总量的大小成反比。比如，在一天监控视频中，我们只关心一个人晚上在健身房健身那一分钟，如何快速对有价值数据“提纯”成为目前大数据背景下待解决的难题。  
    
22. 
    
23. ## 三、大数据应用场景
    
24. - 物流仓库：大数据分析系统助理商家精细化运营、提升质量、节约成本  
    
25. - 零售：分析用户习惯，为用户购买商品提供方便，从而提供商品销量。经典案例：纸尿裤+啤酒  
    
26. - 旅游：深度结合大数据能力与旅游行业需求，共建旅游行业智慧管理、智慧服务和智慧营销的未来  
    
27. - 商品广告推荐：给用户推荐可能喜欢的商品。案例：用户买了一本书，又推荐了若干本书  
    
28. - 房产：大数据全面助力房地产行业，打造精准投策与营销，选出更合适的地，建造更合适的楼，卖给更合适的人  
    
29. - 保险：海量数据挖掘及风险预测，助力保险行业精准营销，提升精细化定价能力  
    
30. - 金融：多维度体现用户特征，帮助金融机构推荐优质客户，防范欺诈风险  
    
31. - 人工智能  
    
32. 
    
33. ## 四、大数据发展前景
    
34. - 党的十八届五中全会提出“实施国家大数据战略”，国务院印发《促进大数据发展行动纲要》，大数据技术和应用处于创新突破期，国内市场需求处于爆发期，我国大数据产业面临重要的发展机遇。  
    
35. - 国际数据公司IDC预测，到2020年，企业基于大数据计算分析平台的支出将突破5000亿美元。目前，我国大数据人才只有46万，未来3到5年人才缺口达150万之多。  
    
36. - 2017年北京大学、中国人民大学、北京邮电大学等25所高校成功申请开设大数据课程。
    
37. - 具体薪资各个招聘网站上也都有详细说明。  
    
38. 
    
39. ## 五、企业数据部的业务流程分析
    
40.   
    
41. 
    
42. ## 六、大数据部门组织结构
    
43.   
    
44. 
    
45. ## 七、大数据技术生态体系
    
46.   
    
47. 图中涉及的技术名词解释如下：  
    
48.   1）**Sqoop**：sqoop是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库(mysql)间进行数据的传递，可以将一个关系型数据库（例如 ： MySQL ,Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。  
    
49.   2）**Flume**：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。  
    
50.   3）**Kafka**：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：  
    
51.     - 通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。  
    
52.     - 高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。  
    
53.     - 支持通过Kafka服务器和消费机集群来分区消息。  
    
54.     - 支持Hadoop并行数据加载。  
    
55.   4）**Storm**：Storm为分布式实时计算提供了一组通用原语，可被用于“流处理”之中，实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。 Storm也可被用于“连续计算”（continuous computation），对数据流做连续查询，在计算时就将结果以流的形式输出给用户。  
    
56.   5）**Spark**：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。  
    
57.   6）**Oozie**：Oozie是一个管理Hadoop作业（job）的工作流程调度管理系统。Oozie协调作业就是通过时间（频率）和有效数据触发当前的Oozie工作流程。  
    
58.   7）**Hbase**：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。  
    
59.   8）**Hive**：hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。  
    
60.   9）**R语言**：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。  
    
61.   10）**Mahout**：Apache Mahout是个可扩展的机器学习和数据挖掘库，当前Mahout支持主要的4个用例：  
    
62.     - 推荐挖掘：搜集用户动作并以此给用户推荐可能喜欢的事物。  
    
63.     - 聚集：收集文件并进行相关文件分组。  
    
64.     - 分类：从现有的分类文档中学习，寻找文档中的相似特征，并为无标签的文档进行正确的归类。  
    
65.     - 频繁项集挖掘：将一组项分组，并识别哪些个别项会经常一起出现。  
    
66.   11）**ZooKeeper**：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。  

复制代码

建议985、211的学生可以学习大数据，如果是二本啥的直接学语言

legs+ 发表于 2023-9-25 11:10
建议985、211的学生可以学习大数据，如果是二本啥的直接学语言

错了，大数据难得是思想，不是名校就能搞的，大数据最牛的思想家是相当于中国职校毕业

jackharry 发表于 2023-9-25 14:12
错了，大数据难得是思想，不是名校就能搞的，大数据最牛的思想家是相当于中国职校毕业 ...

对，思想是很抽象的东西
...
例如：我问你什么是分布式部署
再如：什么是架构

我在美国的时候，微软让我负责架构，但是在腾讯，架构却要会编程，真是狗屎

jackharry 发表于 2023-9-25 15:36
我在美国的时候，微软让我负责架构，但是在腾讯，架构却要会编程，真是狗屎 ...

你在微软和腾讯上过班？

牛掰👍

孤星3 发表于 2023-9-25 15:44
你在微软和腾讯上过班？

腾讯进不去，不会编程进不去