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
No Silver Bullet1 小时前
软件工程功能点估算基础
软件工程·功能点估算
No Silver Bullet1 小时前
软件工程功能点估算法常用术语介绍
java·开发语言·软件工程
Da_秀18 小时前
软件工程中耦合度
开发语言·后端·架构·软件工程
天若有情6731 天前
01_软件卓越之道:功能性与需求满足
c++·软件工程·软件
加密狗复制模拟1 天前
坚石ET ARM加密狗复制模拟介绍
安全·软件工程·个人开发
2501_916589452 天前
Excel 批量处理BatchXLS批量替换一键更新,告别逐个修改
电脑·软件工程·开源软件
2501_916589453 天前
棱光 PDF 工具箱:水印管理 + 格式转换 + 批量处理提升效率
电脑·软件工程·开源软件
文哥工具箱23 天前
免费文件管理 智能转换GC-Prevue:PDF 转 Word 多种格式 一键完成
电脑·软件工程·开源软件
张较瘦_3 天前
[论文阅读] 人工智能 + 软件工程 | 软件架构中自然问题主动辅助研究:从挑战到解决方案
论文阅读·人工智能·软件工程
世冠科技3 天前
第2期汽车模型数字工程沙龙,世冠科技分享汽车控制系统开发国产应用
科技·汽车·软件工程·工业软件·仿真系统