大資料的關鍵技術

在大資料時代，傳統的資料處理方法還適用嗎？

大資料環境下的資料處理需求

大資料環境下資料來源非常豐富且資料類型多樣，儲存和分析挖掘的資料量龐大，對資料展現的要求較高，並且很看重資料處理的高效性和可用性。

傳統資料處理方法的不足

傳統的資料擷取來源單一，且儲存、管理和分析資料量也相對較小，大多採用關係型資料庫和並行資料倉儲即可處理。對依靠並行計算提升資料處理速度方面而言，傳統的並行資料庫技術追求高度一致性和容錯性，根據CAP理論，難以保證其可用性和擴充性。

傳統的資料處理方法是以處理器為中心，而大資料環境下，需要採取以資料為中心的模式，減少資料移動帶來的開銷。因此，傳統的資料處理方法，已經不能適應大資料的需求！

大資料的處理流程包括哪些環節？每個環節有哪些主要工具？

大資料的基本處理流程與傳統資料處理流程並無太大差異，主要區別在於：由於大資料要處理大量、非結構化的資料，所以在各個處理環節中都可以採用MapReduce等方式進行平行處理。

大資料技術為什麼能提高資料的處理速度？

大資料的平行處理利器——MapReduce

大資料可以通過MapReduce這一併行處理技術來提高資料的處理速度。MapReduce的設計初衷是通過大量廉價伺服器實現大資料平行處理，對資料一致性要求不高，其突出優勢是具有擴充性和可用性，特別適用于海量的結構化、半結構化及非結構化資料的混合處理。

MapReduce將傳統的查詢、分解及資料分析進行分散式處理，將處理任務分配到不同的處理節點，因此具有更強的平行處理能力。作為一個簡化的平行處理的編程模型，MapReduce還降低了開發並行應用的門檻。

MapReduce是一套軟體架構，包括Map（映射）和Reduce（化簡）兩個階段，可以進行海量資料分割、任務分解與結果匯總，從而完成海量資料的平行處理。

MapReduce的工作原理其實是先分後合的資料處理方式。Map即“分解”，把海量資料分割成了若干部分，分給多台處理器平行處理；Reduce即“合并”，把各台處理器處理後的結果進行匯總操作以得到最終結果。如右圖所示，如果採用MapReduce來統計不同幾何形狀的數量，它會先把任務分配到兩個節點，由兩個節點分別並行統計，然後再把它們的結果匯總，得到最終的計算結果。

MapReduce適合進行資料分析、日誌分析、商業智慧分析、客戶營銷、大規模索引等業務，並具有非常明顯的效果。通過結合MapReduce技術進行即時分析，某家電公司的信用計算時間從33小時縮短到8秒，而MKI的基因分析時間從數天縮短到20分鐘。

說到這裡，再看一看MapReduce與傳統的分布式並行計算環境MPI到底有何不同？MapReduce在其設計目的、使用方式以及對檔案系統的支援等方面與MPI都有很大的差異，使其能夠更加適應大資料環境下的處理需求。

大資料技術在資料擷取方面採用了哪些新的方法

系統日誌採集方法

很多互連網企業都有自己的海量資料擷取工具，多用於系統日誌採集，如Hadoop的Chukwa，Cloudera的Flume，Facebook的Scribe等，這些工具均採用分布式架構，能滿足每秒數百MB的日誌資料擷取和傳輸需求。

網路資料擷取方法：對非結構化資料的採集

網路資料擷取是指通過網路爬蟲或網站公開API等方式從網站上擷取資料資訊。該方法可以將非結構化資料從網頁中抽取出來，將其儲存為統一的本機資料檔案，並以結構化的方式儲存。它支援圖片、音頻、視頻等檔案或附件的採集，附件與本文可以自動關聯。

除了網路中包含的內容之外，對於網路流量的採集可以使用DPI或DFI等頻寬管理技術進行處理。

其他資料擷取方法

對於企業生產經營資料或學科研究資料等保密性要求較高的資料，可以通過與企業或研究機構合作，使用特定系統介面等相關方式採集資料。

 

本文節選自《大資料——大價值、大機遇、大變革(全彩)》

李志剛 主編

電子工業出版社出版