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

Apache Flink

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