近年來，大數(shù)據(jù)來勢洶洶，滲透到各行各業(yè)，帶來了一場翻天覆地的變革。讓人們越發(fā)認(rèn)識(shí)到，比掌握龐大的數(shù)據(jù)信息更重要的是掌握對含有意義的數(shù)據(jù)進(jìn)行專業(yè)化處理的技術(shù)。

　　大數(shù)據(jù)關(guān)鍵技術(shù)涵蓋從數(shù)據(jù)存儲(chǔ)、處理、應(yīng)用等多方面的技術(shù)，根據(jù)大數(shù)據(jù)的處理過程，可將其分為大數(shù)據(jù)采集、大數(shù)據(jù)預(yù)處理、大數(shù)據(jù)存儲(chǔ)及管理、大數(shù)據(jù)分析及挖掘等環(huán)節(jié)。

　　本文針對大數(shù)據(jù)的關(guān)鍵技術(shù)進(jìn)行梳理，以饗讀者。

　　Part 1.大數(shù)據(jù)采集

　　數(shù)據(jù)采集是大數(shù)據(jù)生命周期的第一個(gè)環(huán)節(jié)，它通過RFID射頻數(shù)據(jù)、傳感器數(shù)據(jù)、社交網(wǎng)絡(luò)數(shù)據(jù)、移動(dòng)互聯(lián)網(wǎng)數(shù)據(jù)等方式獲得各種類型的結(jié)構(gòu)化、半結(jié)構(gòu)化及非結(jié)構(gòu)化的海量數(shù)據(jù)。由于可能有成千上萬的用戶同時(shí)進(jìn)行并發(fā)訪問和操作，因此，必須采用專門針對大數(shù)據(jù)的采集方法，其主要包括以下三種：

　　A.數(shù)據(jù)庫采集

　　一些企業(yè)會(huì)使用傳統(tǒng)的關(guān)系型數(shù)據(jù)庫MySQL和Oracle等來存儲(chǔ)數(shù)據(jù)。談到比較多的工具有Sqoop和結(jié)構(gòu)化數(shù)據(jù)庫間的ETL工具，當(dāng)然當(dāng)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，可以實(shí)現(xiàn)和hdfs，hbase和主流Nosq數(shù)據(jù)庫之間的數(shù)據(jù)同步和集成。

　　B.網(wǎng)絡(luò)數(shù)據(jù)采集

　　網(wǎng)絡(luò)數(shù)據(jù)采集主要是借助網(wǎng)絡(luò)爬蟲或網(wǎng)站公開API等方式，從網(wǎng)站上獲取數(shù)據(jù)信息的過程。通過這種途徑可將網(wǎng)絡(luò)上非結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)從網(wǎng)頁中提取出來，并以結(jié)構(gòu)化的方式將其存儲(chǔ)為統(tǒng)一的本地?cái)?shù)據(jù)文件。

　　C.文件采集

　　對于文件的采集，談的比較多的還是flume進(jìn)行實(shí)時(shí)的文件采集和處理，當(dāng)然對于ELK（Elasticsearch、Logstash、Kibana三者的組合）雖然是處理日志，但是也有基于模板配置的完整增量實(shí)時(shí)文件采集實(shí)現(xiàn)。如果是僅僅是做日志的采集和分析，那么用ELK解決方案就完全夠用的。

　　Part 2.大數(shù)據(jù)預(yù)處理

　　數(shù)據(jù)的世界是龐大而復(fù)雜的，也會(huì)有殘缺的，有虛假的，有過時(shí)的。想要獲得高質(zhì)量的分析挖掘結(jié)果，就必須在數(shù)據(jù)準(zhǔn)備階段提高數(shù)據(jù)的質(zhì)量。大數(shù)據(jù)預(yù)處理可以對采集到的原始數(shù)據(jù)進(jìn)行清洗、填補(bǔ)、平滑、合并、規(guī)格化以及檢查一致性等，將那些雜亂無章的數(shù)據(jù)轉(zhuǎn)化為相對單一且便于處理的構(gòu)型，為后期的數(shù)據(jù)分析奠定基礎(chǔ)。數(shù)據(jù)預(yù)處理主要包括：數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換以及數(shù)據(jù)規(guī)約四大部分。

　　A.數(shù)據(jù)清理

　　數(shù)據(jù)清理主要包含遺漏值處理（缺少感興趣的屬性）、噪音數(shù)據(jù)處理（數(shù)據(jù)中存在著錯(cuò)誤、或偏離期望值的數(shù)據(jù)）、不一致數(shù)據(jù)處理。主要的清洗工具是ETL（Extraction/Transformation/Loading）和Potter’s Wheel。

　　遺漏數(shù)據(jù)可用全局常量、屬性均值、可能值填充或者直接忽略該數(shù)據(jù)等方法處理;噪音數(shù)據(jù)可用分箱（對原始數(shù)據(jù)進(jìn)行分組，然后對每一組內(nèi)的數(shù)據(jù)進(jìn)行平滑處理）、聚類、計(jì)算機(jī)人工檢查和回歸等方法去除噪音;對于不一致數(shù)據(jù)則可進(jìn)行手動(dòng)更正。

　　B.數(shù)據(jù)集成

　　數(shù)據(jù)集成是指將多個(gè)數(shù)據(jù)源中的數(shù)據(jù)合并存放到一個(gè)一致的數(shù)據(jù)存儲(chǔ)庫中。這一過程著重要解決三個(gè)問題：模式匹配、數(shù)據(jù)冗余、數(shù)據(jù)值沖突檢測與處理。

　　來自多個(gè)數(shù)據(jù)集合的數(shù)據(jù)會(huì)因?yàn)槊牟町悓?dǎo)致對應(yīng)的實(shí)體名稱不同，通常涉及實(shí)體識(shí)別需要利用元數(shù)據(jù)來進(jìn)行區(qū)分，對來源不同的實(shí)體進(jìn)行匹配。數(shù)據(jù)冗余可能來源于數(shù)據(jù)屬性命名的不一致，在解決過程中對于數(shù)值屬性可以利用皮爾遜積矩Ra，b來衡量，絕對值越大表明兩者之間相關(guān)性越強(qiáng)。數(shù)據(jù)值沖突問題，主要表現(xiàn)為來源不同的統(tǒng)一實(shí)體具有不同的數(shù)據(jù)值。

　　C.數(shù)據(jù)變換

　　數(shù)據(jù)轉(zhuǎn)換就是處理抽取上來的數(shù)據(jù)中存在的不一致的過程。數(shù)據(jù)轉(zhuǎn)換一般包括兩類：

　　第一類，數(shù)據(jù)名稱及格式的統(tǒng)一，即數(shù)據(jù)粒度轉(zhuǎn)換、商務(wù)規(guī)則計(jì)算以及統(tǒng)一的命名、數(shù)據(jù)格式、計(jì)量單位等;第二類，數(shù)據(jù)倉庫中存在源數(shù)據(jù)庫中可能不存在的數(shù)據(jù)，因此需要進(jìn)行字段的組合、分割或計(jì)算。數(shù)據(jù)轉(zhuǎn)換實(shí)際上還包含了數(shù)據(jù)清洗的工作，需要根據(jù)業(yè)務(wù)規(guī)則對異常數(shù)據(jù)進(jìn)行清洗，保證后續(xù)分析結(jié)果的準(zhǔn)確性。

　　D. 數(shù)據(jù)規(guī)約

　　數(shù)據(jù)歸約是指在盡可能保持?jǐn)?shù)據(jù)原貌的前提下，最大限度地精簡數(shù)據(jù)量，主要包括：數(shù)據(jù)方聚集、維規(guī)約、數(shù)據(jù)壓縮、數(shù)值規(guī)約和概念分層等。數(shù)據(jù)規(guī)約技術(shù)可以用來得到數(shù)據(jù)集的規(guī)約表示，使得數(shù)據(jù)集變小，但同時(shí)仍然近于保持原數(shù)據(jù)的完整性。也就是說，在規(guī)約后的數(shù)據(jù)集上進(jìn)行挖掘，依然能夠得到與使用原數(shù)據(jù)集近乎相同的分析結(jié)果。