数据科学导论续

一、大数据采集的流程和方法

大数据采集的流程和方法

系统日志采集方法

很多互联网企业都有自己的海量数据采集工具,多用于系统日志采集,例如:

  • Flume:分布式日志收集系统,最初由Cloudera开发,现是Apache的一个开源项目。
  • Chukwa:开源分布式数据收集系统,构建在HDFS和MapReduce框架之上。它可以用于监控(2000个以上节点,每天产生数据量在TB级别)Hadoop集群的整体运行情况并对他们的日志进行分析。
  • Scrible:Scribe是facebook开源的日志收集系统,在facebook内部已经得到大量的应用。Scribe为日志的"分布式收集,统一处理",提供了一个可扩展的、高容错的方案。
  • Kafka:最早是LinkedIn的开发的消息系统,现是Apache的一个开源项目。

Apache Flume

数据库采集方法

网络数据采集方法

网络爬虫工具基本可以分为3类。

(1)分布式网络爬虫工具,如Nutch。

(2)Java网络爬虫工具,如Crawler4j、WebMagic、WebCollector。

(3)非Java网络爬虫工具,如Scrapy(基于Python语言开发)

通用网络爬虫

二、大数据计算框架概述

大数据计算框架概述

Hadoop

MapReduce

Spark实时处理系统

流计算框架

Storm

Trident

交互式分析框架

在解决了大数据的可靠存储和高效计算后,如何为数据分析人员提供便利日益受到关注,而最便利的分析方式莫过于交互式查询。这几年交互式分析技术发展迅速,目前这一领域知名的平台有十余个,包括Google开发的Dremel和PowerDrill,Facebook开发的Presto, Hadoop服务商Cloudera和HortonWorks分别开发的Impala和Stinger,以及Apache项目Hive、Drill、Tajo、Kylin、MRQL等。

一些批处理和流计算平台如Spark和Flink也分别内置了交互式分析框架。由于SQL已被业界广泛接受,目前的交互式分析框架都支持用类似SQL的语言进行查询。早期的交互式分析平台建立在Hadoop的基础上,被称作SQL-on-Hadoop。后来的分析平台改用Spark、Storm等引擎,不过SQL-on-Hadoop的称呼还是沿用了下来。SQL-on-Hadoop也指为分布式数据存储提供SQL查询功能。

Hive

三、云计算概述

云计算本质上是一个分布式的架构,能够为海量数据提供充足的计算和存储资源,充分挖掘。

并行计算

并行计算可分为时间上的并行和空间上的并行。时间上的并行是指流水线技术,而空间上的并行则是指用多个处理器并发地执行计算。

传统意义上的并行与分布式计算的区别是:分布式计算强调的是任务的分布执行,而并行计算强调的是任务的并发执行。

分布式计算

网格计算

云计算

云计算的"云"就是存在于互联网上的服务器集群中的资源,它包括硬件资源(服务器、存储器、CPU等)和软件资源(例如应用软件,集成开发环境等)。

简而言之﹐云计算是一种商业计算模型,它将计算任务分布在由大量计算机构成的资源池上,使用户能够按需获取计算能力,存储空间和信息服务。 不同的学者、机构给出了至少上百种不同的定义

IaaS

PaaS

SaaS

按部署模式分类

相关推荐
未定义.22112 小时前
电子削铅笔刀顺序图详解:从UML设计到PlantUML实现
java·软件工程·uml
aiden:)15 小时前
UML 活动图深度解析:以在线购物系统为例
软件工程·软件构建·uml
cooldream20091 天前
软件工程中的维护类型
软件工程·系统架构师
IDRSolutions_CN1 天前
如何将 PDF 中的文本提取为 JSON 格式
java·经验分享·pdf·软件工程·团队开发
未定义.2211 天前
UML-网络媒体教学系统顺序图深度解析
软件工程·uml
aiden:)2 天前
UML 状态图:以共享汽车系统状态图为例
汽车·软件工程·软件构建·uml
艾厶烤的鱼2 天前
架构-软件工程
架构·软件工程
思逻辑维2 天前
数据库+Docker+SSH三合一!深度评测HexHub的全栈开发体验
数据库·docker·ssh·软件工程·开源软件·软件需求
holly_交易系统3 天前
如何开发一套TRS交易系统:架构设计、核心功能与风险控制
大数据·人工智能·软件工程·软件构建·开源软件
hope_wisdom3 天前
实战设计模式之备忘录模式
设计模式·系统架构·软件工程·备忘录模式·架构设计