大數(shù)據流程處理“三要”“三不要”_數(shù)據分析師

大數(shù)據的三大理念解析大數(shù)據時代處理數(shù)據的三大轉變：要全體不要抽樣，要效率不要絕對精確，要相關不要因果。
 
具體的大數(shù)據處理方法確實有很多，但是根據筆者長時間的實踐，總結了一個普遍適用的大數(shù)據處理流程，并且這個流程應該能夠對大家理順大數(shù)據的處理有所幫助。整個處理流程可以概括為四步，分別是采集、導入和預處理、統(tǒng)計和分析，最后是數(shù)據挖掘。
 
處理之一：采集
 
大數(shù)據的采集是指利用多個數(shù)據庫來接收發(fā)自客戶端（Web、App或者傳感器形式等）的數(shù)據，并且用戶可以通過這些數(shù)據庫來進行簡單的查詢和處理工作。比如，電商會使用傳統(tǒng)的關系型數(shù)據庫MySQL和Oracle等來存儲每一筆事務數(shù)據，除此之外，Redis和MongoDB這樣的NoSQL數(shù)據庫也常用于數(shù)據的采集。
 
在大數(shù)據的采集過程中，其主要特點和挑戰(zhàn)是并發(fā)數(shù)高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們并發(fā)的訪問量在峰值時達到上百萬，所以需要在采集端部署大量數(shù)據庫才能支撐。并且如何在這些數(shù)據庫之間進行負載均衡和分片的確是需要深入的思考和設計。

處理之二：導入/預處理
 
雖然采集端本身會有很多數(shù)據庫，但是如果要對這些海量數(shù)據進行有效的分析，還是應該將這些來自前端的數(shù)據導入到一個集中的大型分布式數(shù)據庫，或者分布式存儲集群，并且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使用來自Twitter的Storm來對數(shù)據進行流式計算，來滿足部分業(yè)務的實時計算需求。
 
導入與預處理過程的特點和挑戰(zhàn)主要是導入的數(shù)據量大，每秒鐘的導入量經常會達到百兆，甚至千兆級別。
 
處理之三：統(tǒng)計/分析
 
統(tǒng)計與分析主要利用分布式數(shù)據庫，或者分布式計算集群來對存儲于其內的海量數(shù)據進行普通的分析和分類匯總等，以滿足大多數(shù)常見的分析需求，在這方面，一些實時性需求會用到EMC的Green Plum、Oracle的Exadata，以及基于MySQL的列式存儲Infobright等，而一些批處理，或者基于半結構化數(shù)據的需求可以使用Hadoop。
 
統(tǒng)計與分析這部分的主要特點和挑戰(zhàn)是分析涉及的數(shù)據量大，其對系統(tǒng)資源，特別是I/O會有極大的占用。
 
處理之四：挖掘
 
與前面統(tǒng)計和分析過程不同的是，數(shù)據挖掘一般沒有什么預先設定好的主題，主要是在現(xiàn)有數(shù)據上面進行基于各種算法的計算，從而起到預測（Predict）的效果，從而實現(xiàn)一些高級別數(shù)據分析的需求。比較典型算法有用于聚類的Kmeans、用于統(tǒng)計學習的SVM和用于分類的Naive Bayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰(zhàn)主要是用于挖掘的算法很復雜，并且計算涉及的數(shù)據量和計算量都很大，常用數(shù)據挖掘算法都以單線程為主。本文來自http://cda.pinggu.org/
 
整個大數(shù)據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數(shù)據處理。