大數據環(huán)境下數據來源非常豐富且數據類型多樣，存儲和分析挖掘的數據量龐大，對數據展現的要求較高，并且很看重數據處理的高效性和可用性。

傳統數據處理方法的不足

傳統的數據采集來源單一，且存儲、管理和分析數據量也相對較小，大多采用關系型數據庫和并行數據倉庫即可處理。對依靠并行計算提升數據處理速度方面而言，傳統的并行數據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展性。

傳統的數據處理方法是以處理器為中心，而大數據環(huán)境下，需要采取以數據為中心的模式，減少數據移動帶來的開銷。因此，傳統的數據處理方法，已經不能適應大數據的需求！

大數據的處理流程包括哪些環(huán)節(jié)？每個環(huán)節(jié)有哪些主要工具？

大數據的基本處理流程與傳統數據處理流程并無太大差異，主要區(qū)別在于：由于大數據要處理大量、非結構化的數據，所以在各個處理環(huán)節(jié)中都可以采用MapReduce等方式進行并行處理。

大數據技術為什么能提高數據的處理速度？

大數據的并行處理利器——MapReduce

大數據可以通過MapReduce這一并行處理技術來提高數據的處理速度。MapReduce的設計初衷是通過大量廉價服務器實現大數據并行處理，對數據一致性要求不高，其突出優(yōu)勢是具有擴展性和可用性，特別適用于海量的結構化、半結構化及非結構化數據的混合處理。

MapReduce將傳統的查詢、分解及數據分析進行分布式處理，將處理任務分配到不同的處理節(jié)點，因此具有更強的并行處理能力。作為一個簡化的并行處理的編程模型，MapReduce還降低了開發(fā)并行應用的門檻。

MapReduce是一套軟件框架，包括Map（映射）和Reduce（化簡）兩個階段，可以進行海量數據分割、任務分解與結果匯總，從而完成海量數據的并行處理。

MapReduce的工作原理其實是先分后合的數據處理方式。Map即“分解”，把海量數據分割成了若干部分，分給多臺處理器并行處理；Reduce即“合并”，把各臺處理器處理后的結果進行匯總操作以得到最終結果。如右圖所示，如果采用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(jié)點，由兩個節(jié)點分別并行統計，然后再把它們的結果匯總，得到最終的計算結果。

MapReduce適合進行數據分析、日志分析、商業(yè)智能分析、客戶營銷、大規(guī)模索引等業(yè)務，并具有非常明顯的效果。通過結合MapReduce技術進行實時分析，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。

說到這里，再看一看MapReduce與傳統的分布式并行計算環(huán)境MPI到底有何不同？MapReduce在其設計目的、使用方式以及對文件系統的支持等方面與MPI都有很大的差異，使其能夠更加適應大數據環(huán)境下的處理需求。

大數據技術在數據采集方面采用了哪些新的方法

系統日志采集方法

很多互聯網企業(yè)都有自己的海量數據采集工具，多用于系統日志采集，如Hadoop的Chukwa，Cloudera的Flume，Facebook的Scribe等，這些工具均采用分布式架構，能滿足每秒數百MB的日志數據采集和傳輸需求。

網絡數據采集方法：對非結構化數據的采集

網絡數據采集是指通過網絡爬蟲或網站公開API等方式從網站上獲取數據信息。該方法可以將非結構化數據從網頁中抽取出來，將其存儲為統一的本地數據文件，并以結構化的方式存儲。它支持圖片、音頻、視頻等文件或附件的采集，附件與正文可以自動關聯。

除了網絡中包含的內容之外，對于網絡流量的采集可以使用DPI或DFI等帶寬管理技術進行處理。

其他數據采集方法

對于企業(yè)生產經營數據或學科研究數據等保密性要求較高的數據，可以通過與企業(yè)或研究機構合作，使用特定系統接口等相關方式采集數據。