大數(shù)據(jù)分析的六大工具介紹

1、云計算大數(shù)據(jù)處理分析六大最好工具2016年12月一、概述來自傳感器、購買交易記錄、網(wǎng)絡日志等的大量數(shù)據(jù)，通常是萬億或EB的大小，如此龐大的數(shù)據(jù)，尋找一個合適處理工具非常必要，今天我們?yōu)榇蠹曳窒碓诖髷?shù)據(jù)處理分析過程中六大最好用的工具。我們的數(shù)據(jù)來自各個方面，在面對龐大而復雜的大數(shù)據(jù)，選擇一個合適的處理工具顯得很有必要，工欲善其事，必須利其器，一個好的工具不僅可以使我們的工作事半功倍，也可以讓我們在競爭日益激烈的云計算時代，挖掘大數(shù)據(jù)價值，及時調(diào)整戰(zhàn)略方向。大數(shù)據(jù)是一個含義廣泛的術語，是指數(shù)據(jù)集，如此龐大而復雜的，他們需要專門設計的硬件和軟件工具進行處理。該數(shù)據(jù)集通常是萬億或EB的大小。這些數(shù)據(jù)集

2、收集自各種各樣的來源：傳感器、氣候信息、公開的信息、如雜志、報紙、文章。大數(shù)據(jù)產(chǎn)生的其他例子包括購買交易記錄、網(wǎng)絡日志、病歷、事監(jiān)控、視頻和圖像檔案、及大型電子商務。大數(shù)據(jù)分析是在研究大量的數(shù)據(jù)的過程中尋找模式，相關性和其他有用的信息，可以幫助企業(yè)更好地適應變化，并做出更明智的決策。二、第一種工具：HadoopHadoop是一個能夠?qū)Υ罅繑?shù)據(jù)進行分布式處理的軟件框架。但是Hadoop是以一種可靠、高效、可伸縮的方式進行處理的。Hadoop是可靠的，因為它假設計算元素和存儲會失敗，因此它維護多個工作數(shù)據(jù)副本，確保能夠針對失敗的節(jié)點重新分布處理。Hadoop是高效的，因為它以并行的方式工作，通過并

3、行處理加快處理速度。Hadoop還是可伸縮的，能夠處理PB級數(shù)據(jù)。此外，Hadoop依賴于社區(qū)服務器，因此它的成本比較低，任何人都可以使用。Hadoop是一個能夠讓用戶輕松架構(gòu)和使用的分布式計算平臺。用戶可以輕松地在Hadoop上開發(fā)和運行處理海量數(shù)據(jù)的應用程序。它主要有以下幾個優(yōu)點：高可靠性。Hadoop按位存儲和處理數(shù)據(jù)的能力值得人們信賴。高擴展性。Hadoop是在可用的計算機集簇間分配數(shù)據(jù)并完成計算任務的,這些集簇可以方便地擴展到數(shù)以千計的節(jié)點中。高效性。Hadoop能夠在節(jié)點之間動態(tài)地移動數(shù)據(jù)，并保證各個節(jié)點的動態(tài)平衡，因此處理速度非?？?。高容錯性。Hadoop能夠自動保存數(shù)據(jù)的多個副

4、本，并且能夠自動將失敗的任務重新分配。Hadoop帶有用Java語言編寫的框架，因此運行在Linux生產(chǎn)平臺上是非常理想的。Hadoop上的應用程序也可以使用其他語言編寫，比如C+。三、第二種工具：HPCCHPCC，HighPerformanceComputingandCommunications（高性能計算與通信）的縮寫。1993年，由美國科學、工程、技術聯(lián)邦協(xié)調(diào)理事會向國會提交了“重大挑戰(zhàn)項目：高性能計算與通信”的報告，也就是被稱為HPCC計劃的報告，即美國總統(tǒng)科學戰(zhàn)略項目，其目的是通過加強研究與開發(fā)解決一批重要的科學與技術挑戰(zhàn)問題。HPCC是美國實施信息高速公路而上實施的計劃，該計劃的實

5、施將耗資百億美元，其主要目標要達到：開發(fā)可擴展的計算系統(tǒng)及相關軟件，以支持太位級網(wǎng)絡傳輸性能，開發(fā)千兆比特網(wǎng)絡技術，擴展研究和教育機構(gòu)及網(wǎng)絡連接能力。HighPerformanceCampulingCluster(HPCC)SlTudUlVdBMM-SmiCtuFeCuralrijclLjfHdIIrinawrnfllicinEGlDiviloparU他ECLWEHaFedcraiancaI“r該項目主要由五部分組成:高性能計算機系統(tǒng)(HPCS),內(nèi)容包括今后幾代計算機系統(tǒng)的研究、系統(tǒng)設計工具、先進的典型系統(tǒng)及原有系統(tǒng)的評價等;先進軟件技術與算法(ASTA),內(nèi)容有巨大挑戰(zhàn)問題的軟件支撐、新算

6、法設計、軟件分支與工具、計算計算及高性能計算研究中心等;國家科研與教育網(wǎng)格(NREN)，內(nèi)容有中接站及10億位級傳輸?shù)难芯颗c開發(fā);基本研究與人類資源(BRHR)，內(nèi)容有基礎研究、培訓、教育及課程教材，被設計通過獎勵調(diào)查者-開始的,長期的調(diào)查在可升級的高性能計算中來增加創(chuàng)新意識流，通過提高教育和高性能的計算訓練和通信來加大熟練的和訓練有素的人員的聯(lián)營，和來提供必需的基礎架構(gòu)來支持這些調(diào)查和研究活動;信息基礎結(jié)構(gòu)技術和應用(IITA)，目的在于保證美國在先進信息技術開發(fā)方面的領先地位。四、第三種工具：sStormStorm是自由的開源軟件，一個分布式的、容錯的實時計算系統(tǒng)。Storm可以非常可靠的

7、處理龐大的數(shù)據(jù)流，用于處理Hadoop的批量數(shù)據(jù)。Storm很簡單,支持許多種編程語言，使用起來非常有趣。Storm由Twitter開源而來，其它知名的應用企業(yè)包括Groupon、淘寶、支付寶、阿里巴巴、樂元素、Admaster等等。Storm有許多應用領域：實時分析、在線機器學習、不停頓的計算、分布式RPC(遠過程調(diào)用協(xié)議，一種通過網(wǎng)絡從遠程計算機程序上請求服務)、ETL(Extraction-Transformation-Loading的縮寫，即數(shù)據(jù)抽取、轉(zhuǎn)換和加載)等等。Storm的處理速度驚人：經(jīng)測試，每個節(jié)點每秒鐘可以處理100萬個數(shù)據(jù)元組。Storm是可擴展、容錯，很容易設置和操作

8、。五、第四種工具：ApacheDrin為了幫助企業(yè)用戶尋找更為有效、加快Hadoop數(shù)據(jù)查詢的方法，Apache軟件基金會近日發(fā)起了一項名為“Drill”的開源項目。ApacheDrill實現(xiàn)了GooglesDremel.據(jù)Hadoop廠商MapRTechnologies公司產(chǎn)品經(jīng)理TomerShiran介紹，“Drill”已經(jīng)作為Apache孵化器項目來運作,將面向全球軟件工程師持續(xù)推廣。該項目將會創(chuàng)建出開源版本的谷歌DremelHadoop工具（谷歌使用該工具來為Hadoop數(shù)據(jù)分析工具的互聯(lián)網(wǎng)應用提速）。而“Drill”將有助于Hadoop用戶實現(xiàn)更快查詢海量數(shù)據(jù)集的目的?！癉rill”

9、項目其實也是從谷歌的Dremel項目中獲得靈感：該項目幫助谷歌實現(xiàn)海量數(shù)據(jù)集的分析處理，包括分析抓取Web文檔、跟蹤安裝在AndroidMarket上的應用程序數(shù)據(jù)、分析垃圾郵件、分析谷歌分布式構(gòu)建系統(tǒng)上的測試通過開發(fā)DrillApache開源項目，組織機構(gòu)將有望建立Drill所屬的API接口和靈活強大的體系架構(gòu)，從而幫助支持廣泛的數(shù)據(jù)源、數(shù)據(jù)格式和查詢語言。六、第五種工具：RRapidMinerRapidMiner是世界領先的數(shù)據(jù)挖掘解決方案，在一個非常大的程度上有著先進技術。它數(shù)據(jù)挖掘任務涉及范圍廣泛，包括各種數(shù)據(jù)藝術，能簡化數(shù)據(jù)挖掘過程的設計和評價。功能和特點：免費提供數(shù)據(jù)挖掘技術和庫1

10、00%用Java代碼（可運行在操作系統(tǒng)）數(shù)據(jù)挖掘過程簡單，強大和直觀內(nèi)部XML保證了標準化的格式來表示交換數(shù)據(jù)挖掘過程可以用簡單腳本語言自動進行大規(guī)模進程多層次的數(shù)據(jù)視圖，確保有效和透明的數(shù)據(jù)圖形用戶界面的互動原型命令行（批處理模式）自動大規(guī)模應用JavaAPI（應用編程接口）簡單的插件和推廣機制強大的可視化引擎，許多尖端的高維數(shù)據(jù)的可視化建模400多個數(shù)據(jù)挖掘運營商支持耶魯大學已成功地應用在許多不同的應用領域，包括文本挖掘，多媒體挖掘，功能設計，數(shù)據(jù)流挖掘，集成開發(fā)的方法和分布式數(shù)據(jù)挖掘。七、第六種工具：hPentahoBIPentahoBI平臺不同于傳統(tǒng)的BI產(chǎn)品，它是一個以流程為中心的，

11、面向解決方案（Solution）的框架。其目的在于將一系列企業(yè)級BI產(chǎn)品、開源軟件、API等等組件集成起來，方便商務智能應用的開發(fā)。它的出現(xiàn)，使得一系列的面向商務智能的獨立產(chǎn)品如Jfree、Quartz等等，能夠集成在一起，構(gòu)成一項項復雜的、完整的商務智能解決方案。PentahoBI平臺，PentahoOpenBI套件的核心架構(gòu)和基礎，是以流程為中心的，因為其中樞控制器是一個工作流引擎。工作流引擎使用流程定義來定義在BI平臺上執(zhí)行的商業(yè)智能流程。流程可以很容易的被定制，也可以添加新的流程。BI平臺包含組件和報表，用以分析這些流程的性能。目前，Pentaho的主要組成元素包括報表生成、分析、數(shù)據(jù)

12、挖掘和工作流管理等等。這些組件通過J2EE、WebService、S0AP、HTTP、Java、JavaScript、Portals等技術集成到Pentaho平臺中來。Pentaho的發(fā)行，主要以PentahoSDK的形式進行。PentahoSDK共包含五個部分：Pentaho平臺、Pentaho示例數(shù)據(jù)庫、可獨立運行的Pentaho平臺、Pentaho解決方案示例和一個預先配制好的Pentaho網(wǎng)絡服務器。其中Pentaho平臺是Pentaho平臺最主要的部分，囊括了Pentaho平臺源代碼的主體；Pentaho數(shù)據(jù)庫為Pentaho平臺的正常運行提供的數(shù)據(jù)服務，包括配置信息、Solution相關的信息等等，對于Pentaho平臺來說它不是必須的，通過配置是可以用其它數(shù)據(jù)庫服務取代的可獨立運行的Pentaho平臺是Pentaho平臺的獨立運行模式的示例，它演示了如何使Pen