大數(shù)據(jù)擁抱云計(jì)算

-6-大數(shù)據(jù)擁抱云計(jì)算對(duì)于數(shù)據(jù)的檢索和挖掘。檢索就是搜尋，俗話說外事不決問谷歌，內(nèi)事不決問百度。兩大搜尋引擎都是將分析歸納后的數(shù)據(jù)放入搜尋引擎，從而便利人們找到想要的信息。還有一個(gè)就是挖掘，搜尋出來的信息還需要從中挖掘出相互的關(guān)系。數(shù)據(jù)怎么樣才能對(duì)人有用?人們成天都在爭(zhēng)論大數(shù)據(jù)，其實(shí)數(shù)據(jù)本身并不是有用的，必需要經(jīng)過肯定的處理。數(shù)據(jù)本身并沒有什么作用，但是數(shù)據(jù)里面包含一些很重要的東西，叫做信息(Information)，數(shù)據(jù)雜亂無章，只有經(jīng)過了梳理和清洗，才能夠稱為信息。

1.數(shù)據(jù)如何升華為才智

數(shù)據(jù)的處理分五個(gè)步驟，全部完成了才最終才會(huì)升華才智。

第一：數(shù)據(jù)的收集。首先得有數(shù)據(jù)，數(shù)據(jù)的收集有兩個(gè)方式，第一個(gè)方式是拿(Pull)，專業(yè)點(diǎn)的叫爬取或者抓取，常見的搜尋引擎就是這么干的，它把網(wǎng)上的信息都下載到它的數(shù)據(jù)中心，然后被你搜尋出來。比如你去搜尋的時(shí)候，返回的是一個(gè)列表，這個(gè)列表為什么會(huì)在搜尋引擎的公司里面呢，就是由于他把這個(gè)數(shù)據(jù)都爬下來了，但是你一點(diǎn)鏈接，點(diǎn)出來這個(gè)網(wǎng)站就不在搜尋引擎它們公司了。比如說搜狐有個(gè)新聞，你拿百度搜出來，你不點(diǎn)的時(shí)候，那一頁在百度數(shù)據(jù)中心，一點(diǎn)出來的網(wǎng)頁就跳轉(zhuǎn)到搜狐的數(shù)據(jù)中心了。另外一個(gè)方式就是推送，有許多終端可以幫我收集數(shù)據(jù)，比如說智能手環(huán)，可以將你每天跑步的數(shù)據(jù)，血壓的數(shù)據(jù)，心跳的數(shù)據(jù)都上傳到數(shù)據(jù)中心里面。

其次：數(shù)據(jù)的傳輸。常見的會(huì)通過隊(duì)列方式進(jìn)行，數(shù)據(jù)量實(shí)在是太大了，數(shù)據(jù)必需經(jīng)過處理才會(huì)有用，但是系統(tǒng)處理不過來，只好排排隊(duì)，一條條地處理。

第三：數(shù)據(jù)的存儲(chǔ)。現(xiàn)在數(shù)據(jù)就是Money，把握了數(shù)據(jù)就相當(dāng)于把握了金錢。要不然你看購物網(wǎng)站怎么知道你想買什么呢?就是由于它有你歷史的交易信息，然后通過這個(gè)信息分析出你的購物習(xí)慣。

第四：數(shù)據(jù)的處理和分析。上面存儲(chǔ)的數(shù)據(jù)是原始數(shù)據(jù)，原始數(shù)據(jù)多是雜亂的，還有許多垃圾數(shù)據(jù)，因而需要清洗和過濾。對(duì)于整理過的數(shù)據(jù)，就可以進(jìn)行分析，從而對(duì)數(shù)據(jù)進(jìn)行歸類，或者發(fā)覺數(shù)據(jù)之間的相互關(guān)系。比如聞名的啤酒和紙尿布的故事，就是通過對(duì)人們的購買數(shù)據(jù)進(jìn)行比對(duì)分析，發(fā)覺了男人在買尿布的時(shí)候，會(huì)同時(shí)想要購買啤酒，這樣就發(fā)覺了啤酒和尿布之間的對(duì)應(yīng)關(guān)系，把握了規(guī)律，然后應(yīng)用到實(shí)踐中，將啤酒和尿布的柜臺(tái)放到一起，這就是一種才智。

第五：對(duì)于數(shù)據(jù)的檢索和挖掘。檢索就是搜尋，俗話說外事不決問谷歌，內(nèi)事不決問百度。兩大搜尋引擎都是將分析歸納后的數(shù)據(jù)放入搜尋引擎，從而便利人們找到想要的信息。還有一個(gè)就是挖掘，搜尋出來的信息還需要從中挖掘出相互的關(guān)系。例如財(cái)經(jīng)檢索，當(dāng)搜尋某個(gè)公司股票的時(shí)候，該公司的管理層是不是也應(yīng)當(dāng)被挖掘出來?假如僅僅搜尋出這個(gè)公司的股票漲的特殊好，你就去買了，結(jié)果其次天就跌了，這不坑人么?所以通過各種算法挖掘數(shù)據(jù)中的關(guān)系，形成學(xué)問數(shù)據(jù)庫，非常重要

2.大數(shù)據(jù)擁抱云計(jì)算

數(shù)據(jù)分析是一項(xiàng)很有意思的技術(shù)，其功能就是幫我們梳理數(shù)據(jù)，存儲(chǔ)信息，并從信息中總結(jié)規(guī)律。當(dāng)數(shù)據(jù)量很小的時(shí)候，幾臺(tái)機(jī)器就能分析并解決問題。但是，漸漸的當(dāng)數(shù)據(jù)量越來越大，大到最強(qiáng)的超級(jí)計(jì)算機(jī)都解決不了問題的時(shí)候，該怎么辦呢?這時(shí)就要聚合多臺(tái)機(jī)器的力氣，也就是使用云計(jì)算的力氣。

對(duì)于數(shù)據(jù)的收集，以物聯(lián)網(wǎng)為例，外面部署這成千上億的檢測(cè)設(shè)備，將大量的溫度，濕度，PH值，PM2.5等等數(shù)據(jù)統(tǒng)統(tǒng)收集上來，對(duì)于網(wǎng)頁的搜尋引擎來講，需要將整個(gè)互聯(lián)網(wǎng)全部的網(wǎng)頁都下載下來，這明顯一臺(tái)服務(wù)器做不到，需要多臺(tái)服務(wù)器組成分布式系統(tǒng)，每臺(tái)機(jī)器下載一部分，同時(shí)工作，才能在有限的時(shí)間內(nèi)，將海量的網(wǎng)頁下載完畢。

對(duì)于數(shù)據(jù)的傳輸，一個(gè)內(nèi)存里面的隊(duì)列確定會(huì)被大量的數(shù)據(jù)擠爆，于是就產(chǎn)生了基于存儲(chǔ)系統(tǒng)的分布式隊(duì)列，這樣的隊(duì)列可以多臺(tái)服務(wù)器同時(shí)傳輸，隨你數(shù)據(jù)量多大，只要我的隊(duì)伍足夠多，隊(duì)列足夠粗，就能夠撐得住。

對(duì)于數(shù)據(jù)的存儲(chǔ)也是一樣，一臺(tái)服務(wù)器的文件系統(tǒng)確定是放不下了，那我們就做一個(gè)很大的分布式文件系統(tǒng)來做這件事情，把多臺(tái)機(jī)器的硬盤打成一塊大的文件系統(tǒng)。

再比如數(shù)據(jù)的分析，可能需要對(duì)大量的數(shù)據(jù)做分類，統(tǒng)計(jì)，聚合，一臺(tái)服務(wù)器確定搞不定，處理幾百年也分析不完，于是就有了分布式計(jì)算的方法，將大量的數(shù)據(jù)分成小份，每臺(tái)服務(wù)器處理一小份，多臺(tái)服務(wù)器并行處理，很快就能算完。例如聞名的Terasort對(duì)1個(gè)TB的數(shù)據(jù)排序，相當(dāng)于1024G，假如單機(jī)處理，怎么也要幾個(gè)小時(shí)，但是并行處理只需要幾十秒就完成了。

所以說大數(shù)據(jù)平臺(tái)，什么叫做大數(shù)據(jù)，說白了就是一臺(tái)機(jī)器干不完，大家一起干。隨著數(shù)據(jù)量越來越大，許多公司都需要處理相當(dāng)多的數(shù)據(jù)，沒有這么多機(jī)器可怎么辦呢?

說到這里，就想起云計(jì)算的好處了吧，真的是想什么時(shí)候要，就什么時(shí)候要，想要多少就要多少。例如大數(shù)據(jù)分析企業(yè)的財(cái)務(wù)狀況，可能一個(gè)月分析一次，假如要把這一百臺(tái)服務(wù)器或者一千臺(tái)服務(wù)器都在那擺著，一個(gè)月用一次吧，特別鋪張。那能不能需要計(jì)算的時(shí)候，把這一千臺(tái)服務(wù)器拿出來用，然后不用的時(shí)候，這一千臺(tái)機(jī)器可以去干別的事情。誰能做這個(gè)事兒呢?只有云計(jì)算服務(wù)商(比如文中提到的易邁云)，能夠?yàn)榇髷?shù)據(jù)的運(yùn)算供應(yīng)資源層面的敏捷性。而云計(jì)算服務(wù)商也會(huì)部署大數(shù)據(jù)放到它的PaaS平臺(tái)上，作為一個(gè)特別重要的通用應(yīng)用。由于大數(shù)據(jù)平臺(tái)能夠使得多臺(tái)機(jī)器一起干一個(gè)事兒，這個(gè)東西不是一般人或團(tuán)隊(duì)能開發(fā)出來的，怎么也得雇個(gè)幾十上百號(hào)專業(yè)人才能把這個(gè)玩起來，所以說就像數(shù)據(jù)庫一樣，其實(shí)還是需要有一幫專業(yè)的人來玩這個(gè)東西。

現(xiàn)在公有云服務(wù)商(像易邁云)就提出了相應(yīng)的大數(shù)