大數(shù)據(jù)處理涉及處理和分析大型復(fù)雜數(shù)據(jù)集的技術(shù)和技術(shù)?！按髷?shù)據(jù)”通常指的是傳統(tǒng)數(shù)據(jù)庫和處理工具無法處理的數(shù)據(jù)集。 例如：應(yīng)用程序日志、用戶交互日志：這些大數(shù)據(jù)用于分析用戶互動、偏好和行為，以改進(jìn)內(nèi)容推薦算法并提升用戶參與度。 各種組件共同工作以處理、存儲和分析這些大型數(shù)據(jù)集。這些組件共同形成一個大數(shù)據(jù)處理生態(tài)系統(tǒng)。

大數(shù)據(jù)處理的關(guān)鍵組件：

1. 數(shù)據(jù)攝取和傳輸(Kafka、Logstash(ELK))

批處理和流處理：數(shù)據(jù)可以分批攝取，也可以以實時流模式處理。 批處理涉及按預(yù)定義的塊收集和處理數(shù)據(jù)，而流攝取處理連續(xù)生成并以準(zhǔn)實時方式處理的數(shù)據(jù)。

Apache Kafka：

用于構(gòu)建實時數(shù)據(jù)管道和流應(yīng)用的廣泛使用平臺。 為什么選擇Kafka?

• 可以處理每秒數(shù)百萬個事件。 
• 可靠性：即使發(fā)生故障，數(shù)據(jù)也不會丟失：所有消息都寫入磁盤并復(fù)制到多個代理，以確保它們不會丟失。
• 默認(rèn)情況下，它保證至少一次傳遞。
• 回放數(shù)據(jù)：如果需要，可以重新播放數(shù)據(jù)。 
• 高度可擴(kuò)展：可以添加更多代理來處理不斷增加的負(fù)載。分區(qū)器確保消息均勻分布在分區(qū)上：
• 強(qiáng)大的API和集成：用于與其他系統(tǒng)進(jìn)行數(shù)據(jù)攝取的Kafka Connect。用于構(gòu)建實時流應(yīng)用程序的Kafka Streams。
• 安全功能，例如身份驗證和加密，可用于保護(hù)數(shù)據(jù)在傳輸和靜息時。 ??
• 可定制和靈活：還允許設(shè)置消息的保留期。支持各種數(shù)據(jù)格式，包括文本、JSON、Avro和Protobuf。
• 支持多種模式和協(xié)議。

2. 原始存儲(HDFS、S3)

這些系統(tǒng)將大數(shù)據(jù)分布在多臺機(jī)器上，以提高可伸縮性和容錯性。

數(shù)據(jù)湖： 組織用來管理其PB級數(shù)據(jù)的大數(shù)據(jù)存儲系統(tǒng)。 什么是數(shù)據(jù)湖?(AWS S3、Azure Data、Apache Hadoop/HDFS)

• 存儲原始數(shù)據(jù)：它是大型、集中的非結(jié)構(gòu)化和結(jié)構(gòu)化數(shù)據(jù)倉庫。
• 允許以其原始格式存儲數(shù)據(jù)，無需先進(jìn)行轉(zhuǎn)換。
• 存儲各種類型的數(shù)據(jù)：存儲來自各種源頭的大量數(shù)據(jù)，包括結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。

用例：

• 想要支持組織中的多種用例，如分析、數(shù)據(jù)科學(xué)和臨時分析。
• 想要以原始和未處理的格式存儲大量數(shù)據(jù)，以便進(jìn)行未來分析。

3. 處理(Hadoop、Spark)

(1) Hadoop是什么? Apache Hadoop是一個用于分布式存儲和處理大型數(shù)據(jù)集的開源框架。

Hadoop的核心概念：

• HDFS： Hadoop分布式文件系統(tǒng)(HDFS)是Apache Hadoop框架的存儲組件，旨在在分布式集群上存儲和管理大量數(shù)據(jù)。
• 分布式存儲：它將數(shù)據(jù)分割成塊并在集群中的多個節(jié)點上復(fù)制，確保數(shù)據(jù)的可用性和韌性。
• 成本效益存儲：HDFS利用常規(guī)硬件進(jìn)行存儲，使其成為存儲大量數(shù)據(jù)的經(jīng)濟(jì)有效解決方案。

(2) MapReduce： 用于并行處理大型數(shù)據(jù)集的編程模型。

并行處理模型：它將任務(wù)分解成可以在集群中的節(jié)點上并行執(zhí)行的小子任務(wù)。

(3) Hadoop的優(yōu)勢：

• 批處理工作負(fù)載
• 可接受較高的延遲
• 想要成本效益

(4) Hadoop的替代方案?

Apache Spark： 它是一個為大數(shù)據(jù)處理提供快速集群計算框架的開源分布式計算系統(tǒng)。

它是為解決MapReduce編程模型的局限性而開發(fā)的。

(5) Spark的亮點：

• 流處理：Spark支持批處理和流處理。
• 速度和性能：Spark執(zhí)行內(nèi)存處理，相比于依賴磁盤存儲中間數(shù)據(jù)的Hadoop，性能顯著提高。

(6) 轉(zhuǎn)換和索引(Pig、Elasticsearch)

索引是什么?

索引是有關(guān)日志的附加元數(shù)據(jù)，旨在實現(xiàn)對整個日志體積的更快查詢。

大數(shù)據(jù)中的索引是指創(chuàng)建允許從大型數(shù)據(jù)集中高效快速檢索信息的數(shù)據(jù)結(jié)構(gòu)的過程。在數(shù)據(jù)量龐大的情況下，索引對于優(yōu)化查詢性能和加速數(shù)據(jù)訪問至關(guān)重要 。

倒排索引 工具：

Apache Pig腳本：Pig Latin是一種具有簡單可讀語法的數(shù)據(jù)流腳本語言。它由一系列語句組成，定義要應(yīng)用于數(shù)據(jù)集的數(shù)據(jù)轉(zhuǎn)換。

4. 數(shù)據(jù)庫

NoSQL數(shù)據(jù)庫： 專為處理大量非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)而設(shè)計。示例包括MongoDB、Cassandra和Apache HBase。

數(shù)據(jù)倉庫： 針對大型數(shù)據(jù)集上的分析查詢進(jìn)行優(yōu)化的專業(yè)數(shù)據(jù)庫。 什么是數(shù)據(jù)倉庫?(例如：Amazon Redshift、Snowflake)

• 為分析進(jìn)行優(yōu)化的存儲：它是經(jīng)過優(yōu)化以進(jìn)行報告和分析的結(jié)構(gòu)化數(shù)據(jù)的集中存儲庫。
• 預(yù)定義的關(guān)系數(shù)據(jù)庫架構(gòu)
• 促進(jìn)復(fù)雜查詢和分析。

用例：

• 當(dāng)要存儲已經(jīng)過處理、清理和轉(zhuǎn)換以進(jìn)行分析和報告的結(jié)構(gòu)化數(shù)據(jù)時。
• 想要支持業(yè)務(wù)智能、報告和數(shù)據(jù)分析。

示例： Hive是構(gòu)建在Hadoop之上的數(shù)據(jù)倉庫基礎(chǔ)設(shè)施。

5. 分析(Presto、Spark SQL)

Presto是由Facebook創(chuàng)建的面向大數(shù)據(jù)的開源分布式SQL查詢引擎。它專為在大型數(shù)據(jù)集上進(jìn)行快速分析查詢而開發(fā)。

SQL查詢引擎 → 可以使用SQL語法!

主要特點：

• 多功能：它可以查詢來自多個來源的數(shù)據(jù)，包括Hadoop、關(guān)系數(shù)據(jù)庫(如MySQL、PostgreSQL)和其他數(shù)據(jù)存儲。它提供了一個統(tǒng)一的界面，用于查詢不同的數(shù)據(jù)集。
• SQL兼容性：它支持SQL語法，使其對習(xí)慣于關(guān)系數(shù)據(jù)庫的用戶來說更加熟悉。
• 高性能：它經(jīng)過優(yōu)化，可用于低延遲的交互式查詢，適用于臨時數(shù)據(jù)分析和業(yè)務(wù)智能。
• 復(fù)雜查詢、連接、子查詢：它支持復(fù)雜查詢、連接、子查詢和聚合，適用于各種分析任務(wù)。

6. 可視化：(Kibana、Tableau)

• Tableau、Power BI、AWS QuickSight：用于創(chuàng)建交互式和可視化儀表板，以探索和傳達(dá)來自大數(shù)據(jù)的見解的流行工具。
• Jupyter Notebooks：一種開源的Web應(yīng)用程序，允許用戶創(chuàng)建和共享包含實時代碼、可視化和敘述文本的文檔。