大数据 生态

Da -1生态的技术应该如何描述？Large 数据，首先你需要能够保存large 数据。如何用形象化的比喻描述Da -1生态的技术？如何用形象化的比喻描述Da -1生态的技术？如何用形象化的比喻描述-1生态big数据(big data)的技术是指在可承受的时间范围内，常规软件工具无法捕捉、管理和处理的数据的集合。

large 数据本身是一个非常宽泛的概念，而Hadoop 生态 system(或者general 生态 system)基本上是单尺度数据处理。可以和厨房比，所以我需要各种工具。锅碗瓢盆各有用途，也有重叠。可以直接在碗里用汤锅。你可以用刀或者用飞机剥。每个工具都有自己的特点。奇数虽然可以，但不一定是最好的。Large 数据，首先你需要能够保存large 数据。传统的文件系统是单一的，不能跨不同的机器。

比如你说我要获取数据/HDFS/TMP/file1，你可以引用一个文件路径，但是实际的数据是存储在很多不同的机器里的。作为用户，你不需要知道这些，就像你不关心分散在一个扇区上的单个文件一样。HDFS为您管理这些数据利用现有的数据，你会开始思考如何处理数据。虽然HDFS可以为你提供数据在不同机器上的全面管理，但是数据太大了。

人们需要一个更强大的模型...人们从一开始就认为，只要有一个强有力的中央数据仓库，即在各村之间建立一个吞吐量巨大、包容性强(非关系型，NoSQL)的仓库，以转移各村生产的大量异质商品，就能拉动经济增长。然而没多久人们就意识到这是tooyoungtosimple的一个想法，因为这个仓库的大小总是有上限的。之后，为了解决大规模集群协同计算的问题，google首先提出了MapReduce的概念。既然一台电脑性能有限，为什么不把它们联合起来呢？

large数据(bigdata)是指在可承受的时间范围内，常规软件工具无法捕捉、管理和处理的数据的集合。有人把数据比作一个有能量的煤矿。煤炭按性质分为焦煤、无烟煤、肥煤和瘦煤，而露天煤矿和深山煤矿的采掘成本是不同的。同样，Da 数据不是“Da”而是“有用”。价值含量和挖掘成本比数量更重要。对于很多行业来说，如何利用这些大规模数据是赢得竞争的关键。

学习对于分类和抽象复杂的信息非常重要。对应Da 数据的技术体系，虽然各种技术百花齐放，但Da 数据技术本质上解决了四个核心问题。存储，海量数据如何有效存储，主要包括hdfs和Kafka；计算，海量数据如何快速计算，主要有MapReduce，Spark，Flink等。查询，海量数据如何快速查询，主要是Nosql和Olap，Nosql主要有Hbase，Cassandra等。，其中olap包括kylin、impla等。，其中Nosql主要解决随机查询，Olap技术主要解决相关查询；

Big 数据分析技术生态圈子一目了然数据领域混乱。为了帮助你，我们决定制作这个制造商图标和目录。并不是该领域每个厂商的全面列表，而是对大数据分析技术领域的深入探讨。我们希望这些信息新颖实用。这是一个面向Hadoop的自助式大型数据分析应用，没有数据库模式。平台这是一个大型的发现和分析平台。Qlikview这是一个引导式分析平台。

Sqream是一个快速可扩展的大型数据分析SQL 数据库。Splunk是用于操作和维护的智能平台，Sumologic是一种安全、定制和基于云的机器/分析服务。Actian这是一个大型的数据分析平台，亚马逊红移是PB级的云数据仓库服务。CitusData可以扩展PostgreSQL，Exasol这是一个大规模并行处理(MPP)内存数据用于分析的库数据。