大數據技術含義?編輯導語:相信大家平時用大數據處理産品時,會被各種的專業技術名詞繞暈,然後傻傻分不清本篇文章中,作者将大數據中常用的一些技術名詞作了彙總和分類感興趣的小夥伴不妨來看看,說不定會用到哦,我來為大家科普一下關于大數據技術含義?以下内容希望對你有幫助!
編輯導語:相信大家平時用大數據處理産品時,會被各種的專業技術名詞繞暈,然後傻傻分不清。本篇文章中,作者将大數據中常用的一些技術名詞作了彙總和分類。感興趣的小夥伴不妨來看看,說不定會用到哦。
在大數據處理産品中經常會碰到一些技術名詞,在這裡彙總整理。
一、數據源類型寬表:指字段比較多的數據庫表。通常是指業務主體相關的指标、緯度、屬性關聯在一起的一張數據庫表。
廣泛應用于數據挖掘模型訓練前的數據準備,通過把相關字段放在同一張表中,可以大大提供數據挖掘模型訓練過程中疊代計算的消息問題。
雖然提高了數據查詢效率,但存在大量冗餘。
窄表:嚴格按照數據庫設計三範式。減少了數據冗餘,但修改一個數據可能需要修改多張表。
數據庫設計三範式:
确保每列保持原子性;
确保表中的每列都和主鍵相關;
确保每列都和主鍵列直接相關,而不是間接相關。
MySQL是一種關系型數據庫管理系統,關系數據庫将數據保存在不同的表中,而不是将所有數據放在一個大倉庫内,這樣就增加了速度并提高了靈活性。是目前最流行的關系型數據庫管理系統之一。
Oracle是一款關系數據庫管理系統。它是在數據庫領域一直處于領先地位的産品,系統可移植性好、使用方便、功能強,适用于各類大、中、小微機環境。
它是一種高效率的、可靠性好的、适應高吞吐量的數據庫方案。
GBase 是南大通用數據技術有限公司推出的自主品牌的數據庫産品,在國内數據庫市場具有較高的品牌知名度。
HBase是一個分布式的、面向列的開源數據庫。
不同于一般的關系數據庫,它是一個适合于非結構化數據存儲的數據庫。另一個不同的是HBase基于列的而不是基于行的模式。
FTP(File Transfer Protocol)是一套網絡文件傳輸标準協議,訪問遠程資源, 實現用戶往返傳輸文件、目錄管理以及訪問電子郵件等等, 即使雙方計算機可能配有不同的操作系統和文件存儲方式。
HDFS是一個Hadoop分布式文件系統,HDFS有着高容錯性的特點,并且設計用來部署在低廉的硬件上。
而且它提供高吞吐量來訪問應用程序的數據,适合那些有着超大數據集的應用程序。
二、數據計算MaxCompute是一項大數據計算服務,它能提供快速、完全托管的PB級數據倉庫解決方案,可以經濟并高效的分析處理海量數據。
Flink是一個框架和分布式處理引擎,用于對無界和有界數據流進行有狀态計算。
Flink設計為在所有常見的集群環境中運行,以内存速度和任何規模執行計算。
Kafka是一種高吞吐量的分布式發布訂閱消息系統,它可以處理消費者在網站中的所有動作流數據。
離線計算:通常也稱為“批處理”,表示那些離線批量、延時較高的靜态數據處理過程。
離線計算适用于實時性要求不高的場景,比如離線報表、數據分析等。常見計算框架:MapReduce,Spark SQL
實時計算:通常也稱為“實時流計算”、“流式計算”,表示那些實時或者低延時的流數據處理過程。
實時計算通常應用在實時性要求高的場景,比如實時ETL、實時監控等。常見計算框架:Spark Streaming,Flink
OLTP(On-Line Transaction Processing):可稱為在線事務處理,一般應用于在線業務交易系統,比如銀行交易、訂單交易等。
OLTP的主要特點是能夠支持頻繁的在線操作(增删改),以及快速的訪問查詢。
OLAP(On-Line Analytical Processing):可稱為在線分析處理,較多的應用在數據倉庫領域,支持複雜查詢的數據分析,側重于為業務提供決策支持。
目前常見是的實時OLAP場景,比如Druid(Apache Druid,不同于阿裡Druid)、ClickHouse等存儲組件能夠較好的滿足需求。
三、分布式相關Hadoop是一個由Apache基金會所開發的分布式系統基礎架構。用戶可以在不了解分布式底層細節的情況下,開發分布式程序。充分利用集群的威力進行高速運算和存儲。
HDFS是一個Hadoop分布式文件系統。詳情在上一小節中已介紹。
Hive是基于Hadoop的一個數據倉庫工具,用來進行數據提取、轉化、加載。
這是一種可以存儲、查詢和分析存儲在Hadoop中的大規模數據的機制。
hive數據倉庫工具能将結構化的數據文件映射為一張數據庫表,并提供SQL查詢功能,能将SQL語句轉變成MapReduce任務來執行。
MapReduce是一種編程模型,用于大規模數據集(大于1TB)的并行運算。
概念”Map(映射)”和”Reduce(歸約)”,是它們的主要思想,都是從函數式編程語言裡借來的,還有從矢量編程語言裡借來的特性。
它極大地方便了編程人員在不會分布式并行編程的情況下,将自己的程序運行在分布式系統上。
Spark是專為大規模數據處理而設計的快速通用的計算引擎,類似于Hadoop MapReduce的通用并行框架,擁有Hadoop MapReduce所具有的優點;
但不同于MapReduce的是——Job中間輸出結果可以保存在内存中,從而不再需要讀寫HDFS,因此Spark能更好地适用于數據挖掘與機器學習等需要疊代的MapReduce的算法。
四、數據倉庫數據倉庫(全稱:Data Warehouse;簡稱:DW/DWH),是在數據庫已經大量存在的情況下,為了進一步挖掘數據資源、為了決策需要而産生的。
它是一整套包括了ETL(extract-transform-load)、調度、建模在内的完整的理論體系。
數據倉庫是專門為數據分析設計的,涉及讀取大量數據以了解數據之間的關系和趨勢。而數據庫是用于捕獲和存儲數據。
ODS(Operation Data Store): 數據源頭層,數據倉庫源頭系統的數據表通常會原封不動的存儲一份,這稱為ODS層(可理解為原始庫),是後續數據倉庫加工數據的來源。數據來源:業務庫、埋點日志、消息隊列。
DWD(Data Warehouse Details ):數據細節層,是業務層與數據倉庫的隔離層。主要對ODS數據層做一些數據清洗和規範化的操作。數據清洗:去除空值、髒數據、超過極限範圍的。
DWB(Data Warehouse Base):數據基礎層,存儲的是客觀數據,一般用作中間層,可以認為是大量指标的數據層,可理解為知識庫字典、常用标準庫。
DWS(Data Warehouse Service): 數據服務層,基于DWB上的基礎數據,整合彙總成分析某一個主題域的服務數據層,一般是寬表。用于提供後續的業務查詢,OLAP分析,數據分發等。
ADS(ApplicationData Service):應用數據服務,該層主要是提供數據産品和數據分析使用的數據,一般會存儲在ES、mysql等系統中供線上系統使用。
以數據搜索為基礎,提供表使用說明、數據類目、數據血緣、字段血緣等工具,幫助數據表的使用者和擁有者更好地管理數據、協作開發。
即數據的來龍去脈,主要包含數據的來源、數據的加工方式、映射關系以及數據出口。
數據血緣屬于元數據的一部分,清晰的數據血緣是數據平台維持穩定的基礎,更有利于數據變更影響分析以及數據問題排查。
本文由@丸子不愛吃丸子 原創發布于人人都是産品經理,未經許可,禁止轉載。
題圖來自Unsplash,基于CC0協議
更多精彩资讯请关注tft每日頭條,我们将持续为您更新最新资讯!