云计算与大数据技术 课件 第7章 大数据分析平台与技术栈

大数据分析平台大数据分析平台大数据分析平台是一个集数据采集、数据预处理、数据存储、数据计算、查询检索、分析挖掘、可视化输出等功能为一体的平台。大数据分析平台可以采用开源组件搭建，也可以选择商业化大数据分析平台产品。大数据分析平台在搭建大数据分析平台之前，需要明确业务需求场景及用户的需求，比如用户想要通过大数据分析平台获取哪些有价值的信息，平台需要接入的数据有哪些，基于场景业务需求的大数据分析平台要具备的基本功能有哪些，从而决定平台搭建过程中需要使用的大数据处理工具和框架。大数据分析平台的技术架构大数据分析平台的技术架构大数据分析平台选择如何选择大数据分析平台，完成大数据的挖掘和分析呢？（1）根据应用场景需求、数据的安全性要求等因素，可以选择云服务平台上的大数据服务，如百度智能云服务平台的“智能大数据”、阿里云服务平台的“大数据计算”等。使用云服务平台上的大数据服务，优点是建设周期短、运维成本低，缺点费用贵、数据安全性。百度智能云智能大数据服务产品阿里云大数据计算服务产品阿里云服务平台提供的大数据计算服务产品包括数据计算与分析、数据湖、数据应用与可视化、数据开发与服务等。阿里云大数据计算服务产品大数据分析平台选择（2）如果企事业单位（如石油石化能源、制造、金融证券、交通、医疗、教育等）需要搭建大数据分析平台，则可以直接采用成熟的商用大数据分析平台，如Cloudera、星环、华为等，它们都有相应的产品线。大数据分析平台选择大数据分析平台选择（3）根据场景需求，使用开源产品搭建大数据分析平台。在使用开源产品构建大数据分析平台：

首先，要明确需求场景，包括理解业务需求、预期的数据分析目标和使用场景。其次，要评估未来的数据量大小，以确保所选的平台能够高效、准确地处理大量数据。同时，数据存储的位置也是一个关键决策点，涉及本地存储、云存储或分布式存储的选择将直接影响平台的整体架构和性能。开源大数据分析平台搭建7.3.1底层操作系统7.3.2分布式计算平台安装分布式计算平台安装分布式计算平台Hadoop作为分布式系统基础框架，主要用于解决海量数据存储与计算的问题，是大数据技术中的基石。Hadoop可以实现海量数据存储，资源管理、调度和分配，并行数据处理。

大数据计算引擎MapReduce、Spark，数据仓库Hive，分布式数据库HBase等都是基于Hadoop完成部署和搭建的。7.3.3数据接入和预处理工具数据接入是指将这些零散的数据整合在一起，综合起来进行分析。数据接入主要包括文件日志的接入、数据库日志的接入、关系数据库的接入和应用程序的接入等，数据接入常用的工具有Flume、Logstash、Sqoop等。7.3.3数据接入和预处理工具当需要使用上游模块的数据进行计算、统计和分析时，就需要用到分布式的消息系统，比如基于发布/订阅的消息系统Kafka。7.3.4数据存储工具大数据存储是指将采集的数据完成数据预处理后，持久化到计算机中。大数据存储可以直接以文件形式存放在分布式文件系统上，如HadoopHDFS、Tachyon、KFS、Ceph、Kudu等，处理工具可以直接进行读写（Hive和SparkSQL等）。7.3.5数据分析和挖掘工具选择数据分析是指使用适当的统计分析方法对收集的海量数据的统计结果进行分析，提取有用信息后形成结论，并对数据进行详细研究和概括总结的过程。数据挖掘一般是指从大量的数据中通过算法搜索或抽取出隐藏于其中的有价值的信息和模式的过程。大数据分析和挖掘是指对海量的数据进行数据分析和数据挖掘。数据挖掘流程一般包括数据清洗、数据集成和融合、数据选择、数据变换、数据挖掘、模型评估、知识发现和呈现。7.3.5数据分析和挖掘工具选择数据分析和挖掘流程7.3.6数据分析结果可视化及输出数据分析和挖掘的最后阶段就是分析结果的输出：将分析后的辅助决策数据以图、表等形式进行交互式综合展现。高质量的可视化工具对于数据分析至关重要。数据可视化工具是一种应用软件，可以帮助用户以可视化、图形化的格式显示数据，呈现数据的完整轮廓。对于处理得到的数据，可以对接主流的BI系统，如国外的Tableau、PowerBI等，开源的ECharts，国内的帆软、SmartBI、永洪等，将结果进行可视化，用于决策分析，或者回流到线上，支持线上业务的发展。7.3.6数据分析结果可视化及输出对于处理得到的数据，可以对接主流的BI系统，如国外的Tableau、PowerBI等，开源的ECharts，国内的帆软、SmartBI、永洪等，将结果进行可视化，用于决策分析，或者回流到线上，支持线上业务的发展。大数据分析平台搭建可选择的工具大数据分析平台搭建可选择的工具数据采集和传输层数据采集和传输层是大数据分析平台的基础层，可选择的工具有日志采集工具、消息传输队列工具、数据同步工具。选择的具体工具与数据源及数据源层的数据类型相关。数据存储层数据存储层主要完成数据采集和传输层的采集、抽取及同步的数据存储，同时完成数据的预处理，包括数据清洗、数据融合、数据脱敏、数据规约等。资源调度管理和任务调度管理工具资源调度管理主要完成计算、存储和网络资源的调度与管理，服务于计算层。大数据分析平台所完成的一次完整的数据分析，通常都是由大量任务单元组成的，且各任务单元之间存在时间先后及前后依赖关系。为了很好地完成这样的复杂执行计划，需要一个工作流调度系统来调度执行，这是任务调度管理工具完成的工作。计算层计算层主要完成大数据的分布式计算任务，针对不同类型的数据选择不同的计算模型，如针对海量数据的批处理计算模型、针对动态数据流的流计算模型、针对结构化数据的大规模并发处理模型、针对物理大内存的内存计算模型、针对机器学习算法的数据流图模型。计算平台，如Hadoop、Spark、Flink等。应用工具层应用工具层主要完成实际的数据应用和展现等任务7.1认知大数据7.1认知大数据7.1认知大数据7.1认知大数据7.1认知大数据7.1认知大数据7.1认知大数据