大数据的核心技术有哪些？

　　大数据的核心技术有哪些？大数据的核心层：数据采集层、数据存储分析层、数据共享层、数据应用层，叫法不同，作用基本相同。

　　大数据的核心技术有哪些？

　　1、数据收集

　　数据收集的任务是收集各种数据源的数据并将其存储到数据存储中，在此期间可以进行一些简单的清洗。有多种类型的数据源：

　　网站日志：作为互联网行业，网站日志占比最大。网站日志存储在多个网站日志服务器上。一般在每台网站日志服务器上部署flume agent，实时采集网站日志并存储在HDFS上；

　　业务数据库：还有各种类型的业务数据库，包括Mysql、Oracle、SqlServer等，这个时候我们迫切需要一个可以将各种数据库的数据同步到HDFS的工具。Sqoop 是一种，但是 Sqoop 太重了，无论数据大小，都需要启动 MapReduce 执行，Hadoop 集群中的每台机器都需要能够访问业务数据库；对于这种场景，淘宝开源的DataX是一个很好的解决方案。如果有资源，可以基于DataX进行二次开发，可以很好的解决。当然，Flume 也可以通过配置和开发，将数据库中的数据实时同步到 HDFS。

　　数据源来自Ftp/Http：可能部分合作伙伴提供的数据需要定期通过Ftp/Http等获取，DataX也可以满足这个需求；

　　其他数据源：如一些手动录入的数据，只需要提供一个接口或小程序即可完成。

　　2、数据存储与分析

　　毫无疑问，HDFS是大数据环境下数据仓库/数据平台最完美的数据存储解决方案。

　　离线数据分析计算，也就是对实时性要求不高的部分，在我看来还是首选Hive，数据类型丰富，内置功能；ORC文件存储格式，压缩比非常高；非常方便的 SQL 支持使得 Hive 基于结构化数据的统计分析远比 MapReduce 高效。对于单个 SQL 语句可以满足的需求，MR 的开发可能需要数百行代码。

　　当然，使用 Hadoop 框架自然也提供了 MapReduce 接口。如果你真的很乐意开发Java，或者对SQL不熟悉，也可以使用MapReduce进行分析计算。Spark在过去两年非常流行。经过实践，它的性能确实比 MapReduce 好很多，而且结合 Hive 和 Yarn 也越来越好。因此，需要支持使用 Spark 和 SparkSQL 进行分析计算。因为 Hadoop Yarn 已经存在，所以不用单独部署 Spark 集群，使用 Spark 其实是非常容易的。

　　3、数据共享

　　这里的数据共享，其实是指之前的数据分析计算结果存储的地方，其实就是关系型数据库和NOSQL数据库；之前使用Hive、MR、Spark、SparkSQL分析计算的结果还在HDFS上。但是大部分业务和应用无法直接从HDFS获取数据，所以需要一个数据共享的地方，让每个业务和产品都能轻松获取数据；它与 HDFS 的数据收集层正好相反，需要从 HDFS 传输数据。与其他目标数据源同步的工具，同样DataX也能满足。

　　另外，一些实时计算结果数据可以直接写入实时计算模块的数据共享中。

　　4、数据应用

　　业务产品和业务产品使用的数据已经存在于数据共享层，可以直接从数据共享层访问；报表（FineReport，业务报表）与业务产品相同，报表中使用的数据一般已经统计和汇总。存储在数据共享层；ad hoc 查询 ad hoc 查询的用户很多，可能是数据开发人员、网站和产品运营商、数据分析师，甚至是部门负责人，他们都有临时查询数据的需求；这种即席查询通常情况下，现有报表和数据共享层中的数据不能满足其需求，需要直接从数据存储层查询。即席查询通常通过 SQL 完成。最大的困难是响应速度。使用 Hive 有点慢。可以使用 SparkSQL，它的响应速度比 Hive 快得多，并且与 Hive 兼容。当然，你也可以使用 Impala，如果你不关心平台中多一个框架。

　　OLAP 目前很多OLAP工具都不能很好的支持直接从HDFS获取数据。他们通过将需要的数据同步到关系数据库中来做OLAP，但是如果数据量很大，关系数据库显然不能；这时候需要做相应的开发，从HDFS或者HBase获取数据，完成OLAP功能；例如，根据用户在界面上选择的不确定维度和指标，通过开发界面，从HBase中获取数据进行展示。

　　其他数据接口 有通用接口和定制接口。比如一个从Redis获取用户属性的接口是通用的，所有的业务都可以调用这个接口来获取用户属性。

　　5、实时计算

　　企业现在对数据仓库的实时性要求越来越高，比如：实时了解一个网站的整体流量；实时获取广告的曝光和点击；在海量数据下，依靠传统的数据库和传统的实现方式，基本上是不可能的。需要一个分布式、高吞吐量、低延迟、高可靠的实时计算框架；Storm在这方面比较成熟，但是我选择Spark Streaming的原因很简单，就是不想在平台上引入另外一个框架，另外Spark Streaming的延迟比Storm高一点，对于我们来说可以忽略需要。

　　我们目前使用Spark Streaming来实现网站流量的实时统计和广告效果的实时统计。方法也很简单。Flume 在前端日志服务器上收集网站日志和广告日志，并实时发送到 Spark Streaming。Spark Streaming 完成统计，将数据存储在 Redis 中，通过访问 Redis 实时获取服务。

　　6、任务调度与监控

　　在数据仓库/数据平台中，有很多种程序和任务，例如：数据采集任务、数据同步任务、数据分析任务等。这些任务除了定时调度外，还有非常复杂的任务依赖关系。例如，数据分析任务只有在相应的数据采集任务完成后才能启动；数据分析任务完成后才能启动数据同步任务；

　　这就需要一个非常完善的任务调度和监控系统。作为数据仓库/数据平台的中心，负责调度和监控所有任务的分配和运行。更多关于大数据培训的问题，欢迎咨询千锋教育在线名师。千锋教育拥有多年IT培训服务经验，采用全程面授高品质、高体验培养模式，拥有国内一体化教学管理及学员服务，助力更多学员实现高薪梦想。