Stay foolish：初學(xué)者輕松了解“大數(shù)據(jù)”

　　網(wǎng)絡(luò)上流傳著這么的一句流行語(yǔ)：“萬(wàn)事不懂問(wèn)度娘”。自從有了各種搜索引擎，新名詞新技術(shù)對(duì)大眾而言，已不再神秘。然而，當(dāng)你搜索“大數(shù)據(jù)”或者“big data solution”等關(guān)鍵字時(shí)，搜索出的海量相關(guān)知識(shí)鋪天蓋地，對(duì)初學(xué)者而言，仍然很難在短時(shí)間內(nèi)入門。本文目的，是以傻瓜式提問(wèn)的方式讓初學(xué)者輕松的了解“大數(shù)據(jù)”。

　　大數(shù)據(jù)的概念

　　“大數(shù)據(jù)”，是不是----數(shù)據(jù)很大就叫大數(shù)據(jù)？

　　實(shí)際上簡(jiǎn)單的這樣理解也沒(méi)有錯(cuò)，在明確定義時(shí)，會(huì)比較強(qiáng)調(diào)大數(shù)據(jù)的4個(gè)V的特性： Volume，Variety，Value，Velocity。也就是：

　　一、數(shù)據(jù)存儲(chǔ)空間占用大（至PB及以上級(jí)別）；

　　二、數(shù)據(jù)類型繁多；

　　三、價(jià)值密度低；

　　四、處理速度快。

　　搜索的信息中，你會(huì)發(fā)現(xiàn)有某些名詞出現(xiàn)的頻率非常高，心里也隨之會(huì)產(chǎn)生一些疑問(wèn)。“PB是多大？”“Map-Reduce是啥？”“Hadoop是啥？”“大數(shù)據(jù)跟云計(jì)算啥關(guān)系？跟傳統(tǒng)意義的數(shù)據(jù)庫(kù)啥關(guān)系？”等等。

　　這么多的信息量，我們還是按照大數(shù)據(jù)的基本定義，四個(gè)V來(lái)逐一梳理吧。

　　從第一個(gè)V開(kāi)始，Volume。

　　數(shù)據(jù)量很大，到底能達(dá)到什么程度呢？先來(lái)學(xué)習(xí)一下數(shù)量級(jí)的知識(shí)吧。

　　1KB（Kilobyte 千字節(jié)） = 2^10 B = 1024 B；

　　1MB（Megabyte 兆字節(jié)） = 2^10 KB = 1024 KB = 2^20 B；

　　1GB（Gigabyte 吉字節(jié)） = 2^10 MB = 1024 MB = 2^30 B；

　　1TB（Trillionbyte 太字節(jié)） = 2^10 GB = 1024 GB = 2^40 B；

　　1PB（Petabyte 拍字節(jié)） = 2^10 TB = 1024 TB = 2^50 B；

　　1EB（Exabyte 艾字節(jié)） = 2^10 PB = 1024 PB = 2^60 B；

　　1ZB（Zettabyte 澤字節(jié)） = 2^10 EB = 1024 EB = 2^70 B；

　　1YB（YottaByte 堯字節(jié)） = 2^10 ZB = 1024 ZB = 2^80 B；

　　1BB（Brontobyte ） = 2^10 YB = 1024 YB = 2^90 B；

　　1NB（NonaByte ） = 2^10 BB = 1024 BB = 2^100 B；

　　1DB（DoggaByte） = 2^10 NB = 1024 NB = 2^110 B；

　　……

　　“哇！坑爹啊，整出這么多名詞，跟大數(shù)據(jù)都有關(guān)系嗎？需要我們掌握嗎？”別激動(dòng)！其實(shí)，KB，MB，GB我們?cè)谌粘ｋ娔X操作中已經(jīng)經(jīng)常碰到了。甚至TB級(jí)的大硬盤，也已經(jīng)應(yīng)用于家用電腦中了。我們所說(shuō)的“大數(shù)據(jù)”，目前大多產(chǎn)品還處在了立足PB展望EB的級(jí)別。后面的那些什么ZB、YB、BB、NB、 DB……等，就暫時(shí)先當(dāng)他們是浮云吧~

　　第二個(gè)V， Variety。

　　關(guān)于這一點(diǎn)，百度百科里是這么說(shuō)的“網(wǎng)絡(luò)日志、視頻、圖片、地理位置信息等等”。從專業(yè)一點(diǎn)的角度，我們可以說(shuō)“大數(shù)據(jù)”中，可以有結(jié)構(gòu)化數(shù)據(jù)，但更多的是大量的非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)。

　　結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)是什么意思？

　　結(jié)構(gòu)化數(shù)據(jù)是指，可以存儲(chǔ)在數(shù)據(jù)庫(kù)里，可以用二維表結(jié)構(gòu)來(lái)邏輯表達(dá)實(shí)現(xiàn)的數(shù)據(jù)。

　　非結(jié)構(gòu)化數(shù)據(jù)，是指不方便用數(shù)據(jù)庫(kù)二維邏輯表來(lái)表現(xiàn)的數(shù)據(jù)，包括所有格式的辦公文檔、文本、圖片、XML、HTML、各類報(bào)表、圖像和音頻/視頻信息等等。

　　而半結(jié)構(gòu)化數(shù)據(jù)，就是介于完全結(jié)構(gòu)化數(shù)據(jù)（如關(guān)系型數(shù)據(jù)庫(kù)、面向?qū)ο髷?shù)據(jù)庫(kù)中的數(shù)據(jù)）和完全無(wú)結(jié)構(gòu)的數(shù)據(jù)（如聲音、圖像文件等）之間的數(shù)據(jù)，HTML文檔就屬于半結(jié)構(gòu)化數(shù)據(jù)。它一般是自描述的，數(shù)據(jù)的結(jié)構(gòu)和內(nèi)容混在一起，沒(méi)有明顯的區(qū)分。

　　上述的描述，其實(shí)還是有點(diǎn)不明確。用數(shù)據(jù)模型的列表來(lái)看，區(qū)別就更清晰一點(diǎn)了：

　　第三個(gè)V，Value。

　　價(jià)值密度低。以視頻為例，連續(xù)不間斷監(jiān)控過(guò)程中，可能有用的數(shù)據(jù)僅僅有一兩秒。

　　第四個(gè)V，Velocity。

　　處理速度快。如此龐大的數(shù)據(jù)量，需要在短時(shí)間內(nèi)迅速響應(yīng)。所使用的技術(shù)，當(dāng)然是有別于傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)的。

　　釋疑解惑

　　“梳理完了四個(gè)V，咋還是云山霧罩的呢？”

　　下面來(lái)回答幾個(gè)初學(xué)者可能思考到的問(wèn)題吧！

　　針對(duì)大數(shù)據(jù)的四個(gè)V，有沒(méi)有什么對(duì)應(yīng)的技術(shù)來(lái)應(yīng)對(duì)呢？

　　目前，查詢“大數(shù)據(jù)”，你會(huì)發(fā)現(xiàn)度娘給出的各種信息中，Hadoop這個(gè)詞出現(xiàn)的很頻繁。而且，很多廠商提供的產(chǎn)品，也都會(huì)打上一個(gè)標(biāo)簽：“**產(chǎn)品已經(jīng)并入Hadoop分布式計(jì)算平臺(tái)，以及將Hadoop引入**產(chǎn)品。”

　　什么是Hadoop？

　　Hadoop是由Apache基金會(huì)開(kāi)發(fā)的一個(gè)分布式系統(tǒng)基礎(chǔ)架構(gòu)。它是一個(gè)能夠?qū)Υ罅繑?shù)據(jù)進(jìn)行分布式處理的軟件框架。用戶可以在不了解分布式底層細(xì)節(jié)的情況下，開(kāi)發(fā)分布式程序，充分利用集群的威力高速運(yùn)算和存儲(chǔ)。

　　Hadoop包含了如下子項(xiàng)目：

　　1. Hadoop Common： 在0.20及以前的版本中，包含HDFS、MapReduce和其他項(xiàng)目公共內(nèi)容，從0.21開(kāi)始HDFS和MapReduce被分離為獨(dú)立的子項(xiàng)目，其余內(nèi)容為Hadoop Common

　　2. HDFS： Hadoop 分布式文件系統(tǒng) （Distributed File System） － HDFS （Hadoop Distributed File System）

　　3. MapReduce：并行計(jì)算框架，0.20前使用 org.apache.hadoop.mapred 舊接口，0.20版本開(kāi)始引入org.apache.hadoop.mapreduce的新API

　　4. HBase： 類似Google BigTable的分布式NoSQL列數(shù)據(jù)庫(kù)。

　　5. Hive：數(shù)據(jù)倉(cāng)庫(kù)工具，由Facebook貢獻(xiàn)。

　　6. Zookeeper：分布式鎖設(shè)施，提供類似Google Chubby的功能，由Facebook貢獻(xiàn)。

　　7. Avro：新的數(shù)據(jù)序列化格式與傳輸工具，將逐步取代Hadoop原有的IPC機(jī)制。

　　8. Pig： 大數(shù)據(jù)分析平臺(tái)，為用戶提供多種接口。

　　作為初學(xué)者，我們先撥開(kāi)一些浮云，看看這里面到底有些什么。有三個(gè)主體部分，是我們需要重點(diǎn)關(guān)注的：HDFS、MapReduce、HBase。

　　實(shí)際上，Apache Hadoop的HDFS是Google File System（GFS）的開(kāi)源實(shí)現(xiàn)。MapReduce是Google MapReduce的開(kāi)源實(shí)現(xiàn)。HBase是Google BigTable的開(kāi)源實(shí)現(xiàn)。

　　Hadoop是一個(gè)能夠讓用戶輕松架構(gòu)和使用的分布式計(jì)算平臺(tái)。它主要有以下幾個(gè)優(yōu)點(diǎn)：1高可靠性2高擴(kuò)展性3高效性4高容錯(cuò)性。用戶可以輕松地在Hadoop上開(kāi)發(fā)和運(yùn)行處理海量數(shù)據(jù)的應(yīng)用程序。而實(shí)際上，很多公司提供的大數(shù)據(jù)產(chǎn)品也是基于Hadoop進(jìn)行開(kāi)發(fā)的。

　　數(shù)據(jù)存儲(chǔ)空間占用大

　　針對(duì)數(shù)據(jù)存儲(chǔ)空間占用大，我們需要用到的是“分布式存儲(chǔ)”。分布式存儲(chǔ)系統(tǒng)，就是將數(shù)據(jù)分散存儲(chǔ)在多臺(tái)獨(dú)立的設(shè)備上。傳統(tǒng)的網(wǎng)絡(luò)存儲(chǔ)系統(tǒng)采用集中的存儲(chǔ)服務(wù)器存放所有數(shù)據(jù)，存儲(chǔ)服務(wù)器成為系統(tǒng)性能的瓶頸，也是可靠性和安全性的焦點(diǎn)，不能滿足大規(guī)模存儲(chǔ)應(yīng)用的需要。分布式網(wǎng)絡(luò)存儲(chǔ)系統(tǒng)采用可擴(kuò)展的系統(tǒng)結(jié)構(gòu)，利用多臺(tái)存儲(chǔ)服務(wù)器分擔(dān)存儲(chǔ)負(fù)荷，利用位置服務(wù)器定位存儲(chǔ)信息，它不但提高了系統(tǒng)的可靠性、可用性和存取效率，還易于擴(kuò)展。

　　前面我們介紹到的Hadoop，其中的HDFS就是現(xiàn)今最流行的分布式存儲(chǔ)平臺(tái)之一。

　　HDFS原理簡(jiǎn)要描述

　　HDFS（Hadoop Distributed File System），是一個(gè)分布式文件系統(tǒng)。HDFS有著高容錯(cuò)性（fault-tolerent）的特點(diǎn)，并且設(shè)計(jì)用來(lái)部署在低廉的（low-cost）硬件上。它提供高吞吐量（high throughput）來(lái)訪問(wèn)應(yīng)用程序的數(shù)據(jù)，適合那些有著超大數(shù)據(jù)集（large data set）的應(yīng)用程序。HDFS放寬了（relax）POSIX的要求（requirements）這樣可以實(shí)現(xiàn)流的形式訪問(wèn)（streaming access）文件系統(tǒng)中的數(shù)據(jù)。

　　HDFS是一個(gè)主從結(jié)構(gòu)的體系，一個(gè)HDFS集群是由一個(gè)名字節(jié)點(diǎn)，它是一個(gè)管理文件的命名空間和調(diào)節(jié)客戶端訪問(wèn)文件的主服務(wù)器，當(dāng)然還有的數(shù)據(jù)節(jié)點(diǎn)，一個(gè)節(jié)點(diǎn)一個(gè)，它來(lái)管理存儲(chǔ)。HDFS暴露文件命名空間和允許用戶數(shù)據(jù)存儲(chǔ)成文件。

　　對(duì)外部客戶機(jī)而言，HDFS 就像一個(gè)傳統(tǒng)的分級(jí)文件系統(tǒng)。可以創(chuàng)建、刪除、移動(dòng)或重命名文件，等等。

　　內(nèi)部機(jī)制，是將一個(gè)文件分割成一個(gè)或多個(gè)的塊，這些塊存儲(chǔ)在一組數(shù)據(jù)節(jié)點(diǎn)中。名字節(jié)點(diǎn)（NameNode）操作文件命名空間的文件或目錄操作，如打開(kāi)，關(guān)閉，重命名，等等。它同時(shí)確定塊與數(shù)據(jù)節(jié)點(diǎn)的映射。數(shù)據(jù)節(jié)點(diǎn)（DataNode）來(lái)負(fù)責(zé)來(lái)自文件系統(tǒng)客戶的讀寫(xiě)請(qǐng)求。數(shù)據(jù)節(jié)點(diǎn)同時(shí)還要執(zhí)行塊的創(chuàng)建，刪除，和來(lái)自名字節(jié)點(diǎn)的塊復(fù)制指示。這與傳統(tǒng)的 RAID 架構(gòu)大不相同。塊的大?。ㄍǔ?64MB）和復(fù)制的塊數(shù)量在創(chuàng)建文件時(shí)由客戶機(jī)決定。NameNode 可以控制所有文件操作。

　　HDFS 內(nèi)部的所有通信都基于標(biāo)準(zhǔn)的 TCP/IP 協(xié)議。

　　數(shù)據(jù)類型繁多

　　大數(shù)據(jù)處理，有如下需求：對(duì)數(shù)據(jù)庫(kù)高并發(fā)讀寫(xiě)的需求、對(duì)海量數(shù)據(jù)的高效率存儲(chǔ)和訪問(wèn)的需求、對(duì)數(shù)據(jù)庫(kù)的高可擴(kuò)展性和高可用性的需求。傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)在此類需求面前束手無(wú)策。此時(shí)，一個(gè)新的概念被引入了----NoSQL。

　　什么是NoSQL？

　　NoSQL=Not Only SQL，指的是非關(guān)系型的數(shù)據(jù)庫(kù)。

　　非關(guān)系型數(shù)據(jù)庫(kù)以鍵值對(duì)存儲(chǔ)，它的結(jié)構(gòu)不固定，每一個(gè)元組可以有不一樣的字段，每個(gè)元組可以根據(jù)需要增加一些自己的鍵值對(duì)，這樣就不會(huì)局限于固定的結(jié)構(gòu)，可以減少一些時(shí)間和空間的開(kāi)銷。

　　應(yīng)該說(shuō)明的是，NoSQL在處理超大量數(shù)據(jù)時(shí)性能卓越，而且可以在PC服務(wù)器集群上運(yùn)行，成本低廉，具有高擴(kuò)展性和實(shí)用性。但是，目前大多數(shù)NoSQL是開(kāi)源項(xiàng)目，沒(méi)有供應(yīng)商正是支持，而且在數(shù)據(jù)完整性等方面遠(yuǎn)不如關(guān)系型數(shù)據(jù)庫(kù)，企業(yè)級(jí)應(yīng)用不多。

　　HBASE 的原理簡(jiǎn)要介紹，如何存儲(chǔ)非結(jié)構(gòu)化數(shù)據(jù)

　　HBase是一個(gè)分布式的、面向列的開(kāi)源數(shù)據(jù)庫(kù)，HBase在Hadoop平臺(tái)內(nèi)的結(jié)構(gòu)化數(shù)據(jù)的分布式存儲(chǔ)系統(tǒng)。HBase與傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)的區(qū)別在于，它是一個(gè)適合非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)的數(shù)據(jù)庫(kù)，而且HBase是基于列而不是基于行的模式。

　　HBase利用Hadoop HDFS作為其文件存儲(chǔ)系統(tǒng)，HBase位于結(jié)構(gòu)化存儲(chǔ)層，HDFS為HBase提供了高可靠性的底層存儲(chǔ)支持；用Hadoop MapReduce來(lái)處理海量數(shù)據(jù)，MapReduce為HBase提供了高性能的計(jì)算能力；用Hadoop Zookeeper作為協(xié)同服務(wù)，Zookeeper為HBase提供了穩(wěn)定服務(wù)和failover機(jī)制。

　　HBase數(shù)據(jù)模型如下：

　　Ø Row Key： 行鍵，Table的主鍵，Table中的記錄按照Row Key排序

　　Ø Timestamp： 時(shí)間戳，每次數(shù)據(jù)操作對(duì)應(yīng)的時(shí)間戳，可以看作是數(shù)據(jù)的version number

　　Ø Column Family：列簇，Table在水平方向有一個(gè)或者多個(gè)Column Family組成，一個(gè)Column Family中可以由任意多個(gè)Column組成，即Column Family支持動(dòng)態(tài)擴(kuò)展，無(wú)需預(yù)先定義Column的數(shù)量以及類型，所有Column均以二進(jìn)制格式存儲(chǔ)，用戶需要自行進(jìn)行類型轉(zhuǎn)換。

　　當(dāng)Table隨著記錄數(shù)不斷增加而變大后，會(huì)逐漸分裂成多份splits，成為regions，一個(gè)region由［startkey，endkey）表示，不同的region會(huì)被Master分配給相應(yīng)的RegionServer進(jìn)行管理。

　　HBase中有兩張?zhí)厥獾腡able，-ROOT-和.META。

　　.META.：記錄了用戶表的Region信息，.META.可以有多個(gè)regoin

　　-ROOT-：記錄了.META.表的Region信息，-ROOT-只有一個(gè)region

　　Zookeeper中記錄了-ROOT-表的location

　　Client訪問(wèn)用戶數(shù)據(jù)之前需要首先訪問(wèn)zookeeper，然后訪問(wèn)-ROOT-表，接著訪問(wèn).META.表，最后才能找到用戶數(shù)據(jù)的位置去訪問(wèn)，中間需要多次網(wǎng)絡(luò)操作， client端會(huì)做cache緩存。

　　價(jià)值密度低

　　Mapreduce是在大數(shù)據(jù)中挖掘價(jià)值的有效方法

　　把MapReduce單獨(dú)列出來(lái)，是有必要的，因?yàn)樗匾恕apReduce是一種編程模型，用于大規(guī)模數(shù)據(jù)集（大于1TB）的并行運(yùn)算。概念“Map（映射）”和“Reduce（化簡(jiǎn)）”，和他們的主要思想，都是從函數(shù)式編程語(yǔ)言里借來(lái)的，還有從矢量編程語(yǔ)言里借來(lái)的特性。

　　MapReduce 本身就是用于并行處理大數(shù)據(jù)集的軟件框架。MapReduce 的根源是函數(shù)性編程中的 map 和 reduce 函數(shù)。它由兩個(gè)可能包含有許多實(shí)例（許多 Map 和 Reduce）的操作組成。Map 函數(shù)接受一組數(shù)據(jù)并將其轉(zhuǎn)換為一個(gè)鍵/值對(duì)列表，輸入域中的每個(gè)元素對(duì)應(yīng)一個(gè)鍵/值對(duì)。Reduce 函數(shù)接受 Map 函數(shù)生成的列表，然后根據(jù)它們的鍵（為每個(gè)鍵生成一個(gè)鍵/值對(duì)）縮小鍵/值對(duì)列表。

　　具體分步驟描述為：

　　1） 在正式執(zhí)行map函數(shù)前，需要對(duì)輸入進(jìn)行“分片”（就是將海量數(shù)據(jù)分成大概相等的“塊”，hadoop的一個(gè)分片默認(rèn)是64M），以便于多個(gè)map同時(shí)工作，每一個(gè)map任務(wù)處理一個(gè)“分片”。

　　2） 分片完畢后，多臺(tái)機(jī)器就可以同時(shí)進(jìn)行map工作了。map函數(shù)要做的事情，相當(dāng)于對(duì)數(shù)據(jù)進(jìn)行“預(yù)處理”，輸出所要的“鍵值”。map對(duì)每條記錄的輸出以《key，value》對(duì)的形式輸出。

　　3） 在進(jìn)入reduce階段之前，還要將各個(gè)map中相關(guān)的數(shù)據(jù)（key相同的數(shù)據(jù)）歸結(jié)到一起，發(fā)往一個(gè)reducer。這里面就涉及到多個(gè)map的輸出“混合地”對(duì)應(yīng)多個(gè)reducer的情況，這個(gè)過(guò)程叫做“洗牌”。

　　4） 接下來(lái)進(jìn)入reduce階段。相同的key的map輸出會(huì)到達(dá)同一個(gè)reducer。reducer對(duì)key相同的多個(gè)value進(jìn)行reduce操作，最后一個(gè)key的一串value經(jīng)過(guò)reduce函數(shù)的作用后，變成了一個(gè)value。

　　處理速度快

　　MapReduce除了能挖掘大數(shù)據(jù)價(jià)值，同時(shí)也是一種分布式/并行計(jì)算模型。雖然它是一個(gè)很好的抽象，但不能有效地解決計(jì)算領(lǐng)域的任何問(wèn)題。為了滿足大數(shù)據(jù)及時(shí)響應(yīng)的特性，數(shù)據(jù)流計(jì)算的研究被提上了日程。實(shí)時(shí)計(jì)算方向重要的一個(gè)模塊就是實(shí)時(shí)數(shù)據(jù)流計(jì)算。

　　在數(shù)據(jù)流模型中，需要處理的輸入數(shù)據(jù)（全部或部分）并不存儲(chǔ)在可隨機(jī)訪問(wèn)的磁盤或內(nèi)存中，但它們卻以一個(gè)或多個(gè)“連續(xù)數(shù)據(jù)流”的形式到達(dá)。數(shù)據(jù)流不同于傳統(tǒng)的存儲(chǔ)關(guān)系模型，主要區(qū)別有如下幾個(gè)方面：

　　流中的數(shù)據(jù)元素在線到達(dá)；

　　系統(tǒng)無(wú)法控制將要處理的新到達(dá)的數(shù)據(jù)元素的順序，無(wú)論這些數(shù)據(jù)元素是在一個(gè)數(shù)據(jù)流中還是跨多個(gè)數(shù)據(jù)流；也即重放的數(shù)據(jù)流可能和上次數(shù)據(jù)流的元素順序不一致；

　　數(shù)據(jù)流的潛在大小也許是無(wú)窮無(wú)盡的；

　　一旦數(shù)據(jù)流中的某個(gè)元素經(jīng)過(guò)處理，要么被丟棄，要么被歸檔存儲(chǔ)。因此，除非該數(shù)據(jù)被直接存儲(chǔ)在內(nèi)存中，否則將不容易被檢索。相對(duì)于數(shù)據(jù)流的大小，這是一種典型的極小相關(guān)。

　　數(shù)據(jù)流模型中的操作并不排除傳統(tǒng)關(guān)系型數(shù)據(jù)的存在。通常，數(shù)據(jù)流操作將建立數(shù)據(jù)流和關(guān)系型數(shù)據(jù)的聯(lián)系。在數(shù)據(jù)流處理過(guò)程中，更新存儲(chǔ)關(guān)系的同時(shí)可能會(huì)產(chǎn)生傳輸處理問(wèn)題。

　　近年來(lái)，業(yè)界出現(xiàn)了不少實(shí)時(shí)數(shù)據(jù)流計(jì)算系統(tǒng)，雖然沒(méi)有一個(gè)類似于Hadoop的集大成者，但是也都各具特色。由于網(wǎng)絡(luò)數(shù)據(jù)的不斷膨脹和用戶需求的不斷涌現(xiàn)，近年來(lái)互聯(lián)網(wǎng)企業(yè)開(kāi)始廣泛研究和使用數(shù)據(jù)流處理，誕生了Yahoo！ S4、Twitter Storm、IBM StreamBase、Facebook的Puma/Puma2 及學(xué)術(shù)界開(kāi)源的Borealis等系統(tǒng)。

　　大數(shù)據(jù)是云計(jì)算嗎？

　　如果有人問(wèn)你這句話，你看完本文，可以很自信的回答他“Absolutely！”

　　為了回答這個(gè)問(wèn)題，我們有需要引入一個(gè)概念----云計(jì)算是什么。

　　維基百科給云計(jì)算下的定義：云計(jì)算將IT相關(guān)的能力以服務(wù)的方式提供給用戶，允許用戶在不了解提供服務(wù)的技術(shù)、沒(méi)有相關(guān)知識(shí)以及設(shè)備操作能力的情況下，通過(guò)Internet獲取需要服務(wù)。

　　中國(guó)云計(jì)算網(wǎng)將云定義為：云計(jì)算是分布式計(jì)算（Distributed Computing）、并行計(jì)算（Parallel Computing）和網(wǎng)格計(jì)算（Grid Computing）的發(fā)展，或者說(shuō)是這些科學(xué)概念的商業(yè)實(shí)現(xiàn)。

　　云計(jì)算分為三個(gè)層次：基礎(chǔ)設(shè)施即服務(wù)（IaaS），平臺(tái)即服務(wù)（PaaS）和軟件即服務(wù)（SaaS）。

　　“在說(shuō)什么，云啊云啊，好多的云啊，好大的棉花糖啊~~”

　　云計(jì)算的核心技術(shù)是海量數(shù)據(jù)分布式存儲(chǔ)和海量數(shù)據(jù)分布式計(jì)算，現(xiàn)在云計(jì)算系統(tǒng)主要采用Map-Reduce模型。

　　“Map-Reduce？哪里看到過(guò)？”沒(méi)錯(cuò)，在前面對(duì)大數(shù)據(jù)的解讀的時(shí)候，我們就已經(jīng)明確描述過(guò)這一段。終于看到熟悉的內(nèi)容了，無(wú)比興奮啊。

　　實(shí)際上，云計(jì)算的數(shù)據(jù)存儲(chǔ)技術(shù)主要有谷歌的非開(kāi)源的GFS（Google File System）和 Hadoop 開(kāi)發(fā)團(tuán)隊(duì)開(kāi)發(fā)的GFS的開(kāi)源實(shí)現(xiàn)HDFS（Hadoop Distributed File System）。大部分IT廠商，包括yahoo、Intel的“云”計(jì)劃采用的都是HDFS的數(shù)據(jù)存儲(chǔ)技術(shù)。

　　通過(guò)對(duì)簡(jiǎn)單的云計(jì)算的定義及技術(shù)分析，加上前面我們對(duì)大數(shù)據(jù)的了解，不難得出結(jié)論，大數(shù)據(jù)當(dāng)然是可以歸為云計(jì)算的范疇。

　　應(yīng)用領(lǐng)域有哪些？

　　說(shuō)些我們熟知的地方吧，哪些我們接觸到的地方用到了Hadoop？

　　要回答這個(gè)問(wèn)題，舉幾個(gè)例子，很容易。在國(guó)內(nèi)，包括中國(guó)移動(dòng)、百度、網(wǎng)易、淘寶、騰訊、金山和華為等眾多公司都在研究和使用它。

　　行業(yè)動(dòng)態(tài)及展望

　　“大數(shù)據(jù)”的影響，增加了對(duì)信息管理專家的需求，甲骨文，IBM，微軟和SAP花了超過(guò)15億美元的在軟件智能數(shù)據(jù)管理和分析的專業(yè)公司。這個(gè)行業(yè)自身價(jià)值超過(guò)1000億美元，增長(zhǎng)近10%，大數(shù)據(jù)已經(jīng)出現(xiàn)，因?yàn)槲覀兩钤谝粋€(gè)社會(huì)中有更多的東西。有46億全球移動(dòng)電話用戶有1億美元和20億人訪問(wèn)互聯(lián)網(wǎng)?；旧?，人們比以往任何時(shí)候都與數(shù)據(jù)或信息交互。1990年至2005年，全球超過(guò)1億人進(jìn)入中產(chǎn)階級(jí)，這意味著越來(lái)越多的人，誰(shuí)收益的這筆錢將成為反過(guò)來(lái)導(dǎo)致更多的識(shí)字信息的增長(zhǎng)。思科公司預(yù)計(jì)，到2013年，在互聯(lián)網(wǎng)上流動(dòng)的交通量將達(dá)到每年667艾字節(jié)。

　　最早提出“大數(shù)據(jù)”時(shí)代已經(jīng)到來(lái)的機(jī)構(gòu)是全球知名咨詢公司麥肯錫。麥肯錫在研究報(bào)告中指出，數(shù)據(jù)已經(jīng)滲透到每一個(gè)行業(yè)和業(yè)務(wù)職能領(lǐng)域，逐漸成為重要的生產(chǎn)因素；而人們對(duì)于海量數(shù)據(jù)的運(yùn)用將預(yù)示著新一波生產(chǎn)率增長(zhǎng)和消費(fèi)者盈余浪潮的到來(lái)。

　　麥肯錫的報(bào)告發(fā)布后，大數(shù)據(jù)迅速成為了計(jì)算機(jī)行業(yè)爭(zhēng)相傳誦的熱門概念，也引起了金融界的高度關(guān)注。隨著大數(shù)據(jù)時(shí)代的全面開(kāi)啟，你是否做好了充分的準(zhǔn)備迎接這個(gè)時(shí)代的到來(lái)呢？