說起大數(shù)據(jù)，很多人都能聊上一會，但要是問大數(shù)據(jù)核心技術(shù)有哪些，估計很多人就說不上一二來了。

從機(jī)器學(xué)習(xí)到數(shù)據(jù)可視化，大數(shù)據(jù)發(fā)展至今已經(jīng)擁有了一套相當(dāng)成熟的技術(shù)樹，不同的技術(shù)層面有著不同的技術(shù)架構(gòu)，而且每年還會涌現(xiàn)出新的技術(shù)名詞。面對如此龐雜的技術(shù)架構(gòu)，很多第一次接觸大數(shù)據(jù)的小白幾乎都是望而生畏的。

其實(shí)想要知道大數(shù)據(jù)有哪些核心技術(shù)很簡單，無非三個過程：取數(shù)據(jù)、算數(shù)據(jù)、用數(shù)據(jù)。這么說可能還是有人覺得太空泛，簡單來說從大數(shù)據(jù)的生命周期來看，無外乎四個方面：大數(shù)據(jù)采集、大數(shù)據(jù)預(yù)處理、大數(shù)據(jù)存儲、大數(shù)據(jù)分析，共同組成了大數(shù)據(jù)生命周期里最核心的技術(shù)，下面分開來說：

一、大數(shù)據(jù)采集

大數(shù)據(jù)采集，即對各種來源的結(jié)構(gòu)化和非結(jié)構(gòu)化海量數(shù)據(jù)，所進(jìn)行的采集。

1. 數(shù)據(jù)庫采集：流行的有Sqoop和ETL，傳統(tǒng)的關(guān)系型數(shù)據(jù)庫MySQL和Oracle 也依然充當(dāng)著許多企業(yè)的數(shù)據(jù)存儲方式。當(dāng)然了，目前對于開源的Kettle和Talend本身，也集成了大數(shù)據(jù)集成內(nèi)容，可實(shí)現(xiàn)hdfs，hbase和主流Nosq數(shù)據(jù)庫之間的數(shù)據(jù)同步和集成。
2. 網(wǎng)絡(luò)數(shù)據(jù)采集：一種借助網(wǎng)絡(luò)爬蟲或網(wǎng)站公開API，從網(wǎng)頁獲取非結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)，并將其統(tǒng)一結(jié)構(gòu)化為本地數(shù)據(jù)的數(shù)據(jù)采集方式。
3. 文件采集：包括實(shí)時文件采集和處理技術(shù)flume、基于ELK的日志采集和增量采集等等。

二、大數(shù)據(jù)預(yù)處理

大數(shù)據(jù)預(yù)處理，指的是在進(jìn)行數(shù)據(jù)分析之前，先對采集到的原始數(shù)據(jù)所進(jìn)行的諸如“清洗、填補(bǔ)、平滑、合并、規(guī)格化、一致性檢驗(yàn)”等一系列操作，旨在提高數(shù)據(jù)質(zhì)量，為后期分析工作奠定基礎(chǔ)。數(shù)據(jù)預(yù)處理主要包括四個部分：數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)規(guī)約。

1. 數(shù)據(jù)清理：指利用ETL等清洗工具，對有遺漏數(shù)據(jù)(缺少感興趣的屬性)、噪音數(shù)據(jù)(數(shù)據(jù)中存在著錯誤、或偏離期望值的數(shù)據(jù))、不一致數(shù)據(jù)進(jìn)行處理。
2. 數(shù)據(jù)集成：是指將不同數(shù)據(jù)源中的數(shù)據(jù)，合并存放到統(tǒng)一數(shù)據(jù)庫的，存儲方法，著重解決三個問題：模式匹配、數(shù)據(jù)冗余、數(shù)據(jù)值沖突檢測與處理。
3. 數(shù)據(jù)轉(zhuǎn)換：是指對所抽取出來的數(shù)據(jù)中存在的不一致，進(jìn)行處理的過程。它同時包含了~數(shù)據(jù)清洗的工作，即根據(jù)業(yè)務(wù)規(guī)則對異常數(shù)據(jù)進(jìn)行清洗，以保證后續(xù)分析結(jié)果準(zhǔn)確性
4. 數(shù)據(jù)規(guī)約：是指在最大限度保持?jǐn)?shù)據(jù)原貌的基礎(chǔ)上，最大限度精簡數(shù)據(jù)量，以得到較小數(shù)據(jù)集的操作，包括：數(shù)據(jù)方聚集、維規(guī)約、數(shù)據(jù)壓縮、數(shù)值規(guī)約、概念分層等。

三、大數(shù)據(jù)存儲

大數(shù)據(jù)存儲，指用存儲器，以數(shù)據(jù)庫的形式，存儲采集到的數(shù)據(jù)的過程，包含三種典型路線：

1、基于MPP架構(gòu)的新型數(shù)據(jù)庫集群

采用Shared Nothing架構(gòu)，結(jié)合MPP架構(gòu)的高效分布式計算模式，通過列存儲、粗粒度索引等多項(xiàng)大數(shù)據(jù)處理技術(shù)，重點(diǎn)面向行業(yè)大數(shù)據(jù)所展開的數(shù)據(jù)存儲方式。具有低成本、高性能、高擴(kuò)展性等特點(diǎn)，在企業(yè)分析類應(yīng)用領(lǐng)域有著廣泛的應(yīng)用。

較之傳統(tǒng)數(shù)據(jù)庫，其基于MPP產(chǎn)品的PB級數(shù)據(jù)分析能力，有著顯著的優(yōu)越性。自然，MPP數(shù)據(jù)庫，也成為了企業(yè)新一代數(shù)據(jù)倉庫的最佳選擇。

2、基于Hadoop的技術(shù)擴(kuò)展和封裝

基于Hadoop的技術(shù)擴(kuò)展和封裝，是針對傳統(tǒng)關(guān)系型數(shù)據(jù)庫難以處理的數(shù)據(jù)和場景（針對非結(jié)構(gòu)化數(shù)據(jù)的存儲和計算等），利用Hadoop開源優(yōu)勢及相關(guān)特性（善于處理非結(jié)構(gòu)、半結(jié)構(gòu)化數(shù)據(jù)、復(fù)雜的ETL流程、復(fù)雜的數(shù)據(jù)挖掘和計算模型等），衍生出相關(guān)大數(shù)據(jù)技術(shù)的過程。

伴隨著技術(shù)進(jìn)步，其應(yīng)用場景也將逐步擴(kuò)大，目前最為典型的應(yīng)用場景：通過擴(kuò)展和封裝 Hadoop來實(shí)現(xiàn)對互聯(lián)網(wǎng)大數(shù)據(jù)存儲、分析的支撐，其中涉及了幾十種NoSQL技術(shù)。

3、大數(shù)據(jù)一體機(jī)

這是一種專為大數(shù)據(jù)的分析處理而設(shè)計的軟、硬件結(jié)合的產(chǎn)品。它由一組集成的服務(wù)器、存儲設(shè)備、操作系統(tǒng)、數(shù)據(jù)庫管理系統(tǒng)，以及為數(shù)據(jù)查詢、處理、分析而預(yù)安裝和優(yōu)化的軟件組成，具有良好的穩(wěn)定性和縱向擴(kuò)展性。

四、大數(shù)據(jù)分析挖掘

從可視化分析、數(shù)據(jù)挖掘算法、預(yù)測性分析、語義引擎、數(shù)據(jù)質(zhì)量管理等方面，對雜亂無章的數(shù)據(jù)，進(jìn)行萃取、提煉和分析的過程。

1、可視化分析

可視化分析，指借助圖形化手段，清晰并有效傳達(dá)與溝通信息的分析手段。主要應(yīng)用于海量數(shù)據(jù)關(guān)聯(lián)分析，即借助可視化數(shù)據(jù)分析平臺，對分散異構(gòu)數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，并做出完整分析圖表的過程。

具有簡單明了、清晰直觀、易于接受的特點(diǎn)。

2、數(shù)據(jù)挖掘算法

數(shù)據(jù)挖掘算法，即通過創(chuàng)建數(shù)據(jù)挖掘模型，而對數(shù)據(jù)進(jìn)行試探和計算的，數(shù)據(jù)分析手段。它是大數(shù)據(jù)分析的理論核心。

數(shù)據(jù)挖掘算法多種多樣，且不同算法因基于不同的數(shù)據(jù)類型和格式，會呈現(xiàn)出不同的數(shù)據(jù)特點(diǎn)。但一般來講，創(chuàng)建模型的過程卻是相似的，即首先分析用戶提供的數(shù)據(jù)，然后針對特定類型的模式和趨勢進(jìn)行查找，并用分析結(jié)果定義創(chuàng)建挖掘模型的最佳參數(shù)，并將這些參數(shù)應(yīng)用于整個數(shù)據(jù)集，以提取可行模式和詳細(xì)統(tǒng)計信息。

3、預(yù)測性分析

預(yù)測性分析，是大數(shù)據(jù)分析最重要的應(yīng)用領(lǐng)域之一，通過結(jié)合多種高級分析功能（特別統(tǒng)計分析、預(yù)測建模、數(shù)據(jù)挖掘、文本分析、實(shí)體分析、優(yōu)化、實(shí)時評分、機(jī)器學(xué)習(xí)等），達(dá)到預(yù)測不確定事件的目的。

幫助分用戶析結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中的趨勢、模式和關(guān)系，并運(yùn)用這些指標(biāo)來預(yù)測將來事件，為采取措施提供依據(jù)。

4、語義引擎

語義引擎，指通過為已有數(shù)據(jù)添加語義的操作，提高用戶互聯(lián)網(wǎng)搜索體驗(yàn)。

5、數(shù)據(jù)質(zhì)量管理

指對數(shù)據(jù)全生命周期的每個階段（計劃、獲取、存儲、共享、維護(hù)、應(yīng)用、消亡等）中可能引發(fā)的各類數(shù)據(jù)質(zhì)量問題，進(jìn)行識別、度量、監(jiān)控、預(yù)警等操作，以提高數(shù)據(jù)質(zhì)量的一系列管理活動。

以上是從大的方面來講，具體來說大數(shù)據(jù)的框架技術(shù)有很多，這里列舉其中一些：

文件存儲：Hadoop HDFS、Tachyon、KFS

離線計算：Hadoop MapReduce、Spark

流式、實(shí)時計算：Storm、Spark Streaming、S4、Heron

K-V、NOSQL數(shù)據(jù)庫：HBase、Redis、MongoDB

資源管理：YARN、Mesos

日志收集：Flume、Scribe、Logstash、Kibana

消息系統(tǒng)：Kafka、StormMQ、ZeroMQ、RabbitMQ

查詢分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

分布式協(xié)調(diào)服務(wù)：Zookeeper

集群管理與監(jiān)控：Ambari、Ganglia、Nagios、Cloudera Manager

數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)：Mahout、Spark MLLib

數(shù)據(jù)同步：Sqoop

任務(wù)調(diào)度：Oozie

······