正文

大數(shù)據(jù)的底層技術有哪些（大數(shù)據(jù)的底層技術有哪些內(nèi)容）

發(fā)布時間：2023-03-12 18:10:21 稿源：創(chuàng)意嶺閱讀： 142 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于大數(shù)據(jù)的底層技術有哪些的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、中國目前在大數(shù)據(jù)行業(yè)的發(fā)展情況如何？
2、五種大數(shù)據(jù)處理架構
3、大數(shù)據(jù)就是底層邏輯嗎?
4、怎樣成為優(yōu)秀的大數(shù)據(jù)工程師？需要具備哪些技術？

大數(shù)據(jù)的底層技術有哪些（大數(shù)據(jù)的底層技術有哪些內(nèi)容）

一、中國目前在大數(shù)據(jù)行業(yè)的發(fā)展情況如何？

我國大數(shù)據(jù)產(chǎn)業(yè)開始已進入深化階段

中國大數(shù)據(jù)產(chǎn)業(yè)從萌芽到如今漸成體系，已走過將近10個年頭?！笆奈濉遍_局之年，大數(shù)據(jù)產(chǎn)業(yè)也進入了集成創(chuàng)新、深度應用的新階段。大數(shù)據(jù)在醫(yī)療、工業(yè)、交通等領域的融合應用技術加快創(chuàng)新突破，大數(shù)據(jù)融合應用重點從虛擬經(jīng)濟轉(zhuǎn)變?yōu)閷嶓w經(jīng)濟;大數(shù)據(jù)底層技術方面，信息安全、模式識別、語言工程、計算機輔助設計、高性能計算等加快突破，大數(shù)據(jù)技術領域逐漸補齊短板，并進一步強化長板。

2021年市場規(guī)模接近900億元

近年來我國大數(shù)據(jù)行業(yè)取得快速發(fā)展，賽迪CCID統(tǒng)計，我國大數(shù)據(jù)市場規(guī)模由2019年的619.7億元增長至2021年的863.1億元，復合年增長率達到18.0%，大數(shù)據(jù)市場規(guī)模包含了大數(shù)據(jù)相關硬件、軟件、服務市場收入。在全球新冠肺炎疫情之下，我國經(jīng)濟率先復蘇并總體保持恢復態(tài)勢，伴隨國家快速推動數(shù)字經(jīng)濟、數(shù)字中國、智慧城市等發(fā)展建設，未來大數(shù)據(jù)行業(yè)對經(jīng)濟社會的數(shù)字化創(chuàng)新驅(qū)動、融合帶動作用將進一步增強，應用范圍將得到進一步拓寬，大數(shù)據(jù)市場也將保持持續(xù)快速的增長態(tài)勢。

金融行業(yè)是我國大數(shù)據(jù)產(chǎn)業(yè)規(guī)模最大的下游行業(yè)

大數(shù)據(jù)分析行業(yè)是指借助大數(shù)據(jù)技術對規(guī)模巨大的數(shù)據(jù)進行處理、分析挖掘、應用等，實現(xiàn)大數(shù)據(jù)價值，并以產(chǎn)品或服務等形式，賦能客戶數(shù)字化運營的大數(shù)據(jù)細分行業(yè)。近年來，伴隨下游行業(yè)對全業(yè)務流程數(shù)字化運營需求的持續(xù)廣泛和深入，大數(shù)據(jù)分析市場取得了良好發(fā)展，呈現(xiàn)出高速發(fā)展態(tài)勢。根據(jù)賽迪的數(shù)據(jù)，2021年我國大數(shù)據(jù)分析市場下游行業(yè)中，金融、政府、電信和互聯(lián)網(wǎng)位居應用領域前四名，市場占比分別為19.1%、16.5%、15.2%和13.9%，合計超過60%。

大數(shù)據(jù)軟件與服務的需求不斷提升

目前，我國的大數(shù)據(jù)產(chǎn)業(yè)進入高質(zhì)量發(fā)展階段，大數(shù)據(jù)軟件和大數(shù)據(jù)服務的需求開始不斷提升，大數(shù)據(jù)硬件占比有所下降但仍占據(jù)主導地位，2021年我國大數(shù)據(jù)市場結構中，大數(shù)據(jù)硬件、大數(shù)據(jù)軟件和大數(shù)據(jù)服務的市場占比分別為40.5%、25.7%和33.8%，市場規(guī)模分別為349.5億元、221.8億元和291.7億元。近幾年大數(shù)據(jù)硬件的占比在逐漸下降，大數(shù)據(jù)軟件和大數(shù)據(jù)服務的占比在逐步提高。未來我國大數(shù)據(jù)軟件和服務市場相比硬件市場將呈現(xiàn)更好的發(fā)展態(tài)勢。

不同類型大數(shù)據(jù)企業(yè)競爭程度差異極大

目前，IT產(chǎn)業(yè)在發(fā)展過程中已經(jīng)形成了一些層次分布，有做服務器和底層系統(tǒng)的，有做軟件的，有做應用的，大數(shù)據(jù)也需要在原有的架構上加以發(fā)展。原來做基礎設施的企業(yè)，如聯(lián)想、華為，也要向大數(shù)據(jù)轉(zhuǎn)型，提供低成本、低能耗的大型存儲器，這是大數(shù)據(jù)產(chǎn)業(yè)的基礎。中間層是類似Hadoop、MapReduce的數(shù)據(jù)分析軟件，原有的軟件產(chǎn)業(yè)也要轉(zhuǎn)型，由賣軟件轉(zhuǎn)為以數(shù)據(jù)為中心。再往上就是百度、騰訊、阿里巴巴等大數(shù)據(jù)應用服務公司，需要增加數(shù)據(jù)分析的效用。

—— 更多本行業(yè)研究分析詳見前瞻產(chǎn)業(yè)研究院《中國大數(shù)據(jù)產(chǎn)業(yè)發(fā)展前景與投資戰(zhàn)略規(guī)劃分析報告》

二、五種大數(shù)據(jù)處理架構

五種大數(shù)據(jù)處理架構

大數(shù)據(jù)是收集、整理、處理大容量數(shù)據(jù)集，并從中獲得見解所需的非傳統(tǒng)戰(zhàn)略和技術的總稱。雖然處理數(shù)據(jù)所需的計算能力或存儲容量早已超過一臺計算機的上限，但這種計算類型的普遍性、規(guī)模，以及價值在最近幾年才經(jīng)歷了大規(guī)模擴展。

本文將介紹大數(shù)據(jù)系統(tǒng)一個最基本的組件：處理框架。處理框架負責對系統(tǒng)中的數(shù)據(jù)進行計算，例如處理從非易失存儲中讀取的數(shù)據(jù)，或處理剛剛攝入到系統(tǒng)中的數(shù)據(jù)。數(shù)據(jù)的計算則是指從大量單一數(shù)據(jù)點中提取信息和見解的過程。

下文將介紹這些框架：

· 僅批處理框架：

Apache Hadoop

· 僅流處理框架：

Apache Storm

Apache Samza

· 混合框架：

Apache Spark

Apache Flink

大數(shù)據(jù)處理框架是什么？

處理框架和處理引擎負責對數(shù)據(jù)系統(tǒng)中的數(shù)據(jù)進行計算。雖然“引擎”和“框架”之間的區(qū)別沒有什么權威的定義，但大部分時候可以將前者定義為實際負責處理數(shù)據(jù)操作的組件，后者則可定義為承擔類似作用的一系列組件。

例如Apache Hadoop可以看作一種以MapReduce作為默認處理引擎的處理框架。引擎和框架通?？梢韵嗷ヌ鎿Q或同時使用。例如另一個框架Apache Spark可以納入Hadoop并取代MapReduce。組件之間的這種互操作性是大數(shù)據(jù)系統(tǒng)靈活性如此之高的原因之一。

雖然負責處理生命周期內(nèi)這一階段數(shù)據(jù)的系統(tǒng)通常都很復雜，但從廣義層面來看它們的目標是非常一致的：通過對數(shù)據(jù)執(zhí)行操作提高理解能力，揭示出數(shù)據(jù)蘊含的模式，并針對復雜互動獲得見解。

為了簡化這些組件的討論，我們會通過不同處理框架的設計意圖，按照所處理的數(shù)據(jù)狀態(tài)對其進行分類。一些系統(tǒng)可以用批處理方式處理數(shù)據(jù)，一些系統(tǒng)可以用流方式處理連續(xù)不斷流入系統(tǒng)的數(shù)據(jù)。此外還有一些系統(tǒng)可以同時處理這兩類數(shù)據(jù)。

在深入介紹不同實現(xiàn)的指標和結論之前，首先需要對不同處理類型的概念進行一個簡單的介紹。

批處理系統(tǒng)

批處理在大數(shù)據(jù)世界有著悠久的歷史。批處理主要操作大容量靜態(tài)數(shù)據(jù)集，并在計算過程完成后返回結果。

批處理模式中使用的數(shù)據(jù)集通常符合下列特征…

· 有界：批處理數(shù)據(jù)集代表數(shù)據(jù)的有限集合

· 持久：數(shù)據(jù)通常始終存儲在某種類型的持久存儲位置中

· 大量：批處理操作通常是處理極為海量數(shù)據(jù)集的唯一方法

批處理非常適合需要訪問全套記錄才能完成的計算工作。例如在計算總數(shù)和平均數(shù)時，必須將數(shù)據(jù)集作為一個整體加以處理，而不能將其視作多條記錄的集合。這些操作要求在計算進行過程中數(shù)據(jù)維持自己的狀態(tài)。

需要處理大量數(shù)據(jù)的任務通常最適合用批處理操作進行處理。無論直接從持久存儲設備處理數(shù)據(jù)集，或首先將數(shù)據(jù)集載入內(nèi)存，批處理系統(tǒng)在設計過程中就充分考慮了數(shù)據(jù)的量，可提供充足的處理資源。由于批處理在應對大量持久數(shù)據(jù)方面的表現(xiàn)極為出色，因此經(jīng)常被用于對歷史數(shù)據(jù)進行分析。

大量數(shù)據(jù)的處理需要付出大量時間，因此批處理不適合對處理時間要求較高的場合。

Apache Hadoop

Apache Hadoop是一種專用于批處理的處理框架。Hadoop是首個在開源社區(qū)獲得極大關注的大數(shù)據(jù)框架?；诠雀栌嘘P海量數(shù)據(jù)處理所發(fā)表的多篇論文與經(jīng)驗的Hadoop重新實現(xiàn)了相關算法和組件堆棧，讓大規(guī)模批處理技術變得更易用。

新版Hadoop包含多個組件，即多個層，通過配合使用可處理批數(shù)據(jù)：

· HDFS：HDFS是一種分布式文件系統(tǒng)層，可對集群節(jié)點間的存儲和復制進行協(xié)調(diào)。HDFS確保了無法避免的節(jié)點故障發(fā)生后數(shù)據(jù)依然可用，可將其用作數(shù)據(jù)來源，可用于存儲中間態(tài)的處理結果，并可存儲計算的最終結果。

· YARN：YARN是Yet Another Resource Negotiator（另一個資源管理器）的縮寫，可充當Hadoop堆棧的集群協(xié)調(diào)組件。該組件負責協(xié)調(diào)并管理底層資源和調(diào)度作業(yè)的運行。通過充當集群資源的接口，YARN使得用戶能在Hadoop集群中使用比以往的迭代方式運行更多類型的工作負載。

· MapReduce：MapReduce是Hadoop的原生批處理引擎。

批處理模式

Hadoop的處理功能來自MapReduce引擎。MapReduce的處理技術符合使用鍵值對的map、shuffle、reduce算法要求?；咎幚磉^程包括：

· 從HDFS文件系統(tǒng)讀取數(shù)據(jù)集

· 將數(shù)據(jù)集拆分成小塊并分配給所有可用節(jié)點

· 針對每個節(jié)點上的數(shù)據(jù)子集進行計算（計算的中間態(tài)結果會重新寫入HDFS）

· 重新分配中間態(tài)結果并按照鍵進行分組

· 通過對每個節(jié)點計算的結果進行匯總和組合對每個鍵的值進行“Reducing”

· 將計算而來的最終結果重新寫入 HDFS

優(yōu)勢和局限

由于這種方法嚴重依賴持久存儲，每個任務需要多次執(zhí)行讀取和寫入操作，因此速度相對較慢。但另一方面由于磁盤空間通常是服務器上最豐富的資源，這意味著MapReduce可以處理非常海量的數(shù)據(jù)集。同時也意味著相比其他類似技術，Hadoop的MapReduce通常可以在廉價硬件上運行，因為該技術并不需要將一切都存儲在內(nèi)存中。MapReduce具備極高的縮放潛力，生產(chǎn)環(huán)境中曾經(jīng)出現(xiàn)過包含數(shù)萬個節(jié)點的應用。

MapReduce的學習曲線較為陡峭，雖然Hadoop生態(tài)系統(tǒng)的其他周邊技術可以大幅降低這一問題的影響，但通過Hadoop集群快速實現(xiàn)某些應用時依然需要注意這個問題。

圍繞Hadoop已經(jīng)形成了遼闊的生態(tài)系統(tǒng)，Hadoop集群本身也經(jīng)常被用作其他軟件的組成部件。很多其他處理框架和引擎通過與Hadoop集成也可以使用HDFS和YARN資源管理器。

總結

Apache Hadoop及其MapReduce處理引擎提供了一套久經(jīng)考驗的批處理模型，最適合處理對時間要求不高的非常大規(guī)模數(shù)據(jù)集。通過非常低成本的組件即可搭建完整功能的Hadoop集群，使得這一廉價且高效的處理技術可以靈活應用在很多案例中。與其他框架和引擎的兼容與集成能力使得Hadoop可以成為使用不同技術的多種工作負載處理平臺的底層基礎。

流處理系統(tǒng)

流處理系統(tǒng)會對隨時進入系統(tǒng)的數(shù)據(jù)進行計算。相比批處理模式，這是一種截然不同的處理方式。流處理方式無需針對整個數(shù)據(jù)集執(zhí)行操作，而是對通過系統(tǒng)傳輸?shù)拿總€數(shù)據(jù)項執(zhí)行操作。

· 流處理中的數(shù)據(jù)集是“無邊界”的，這就產(chǎn)生了幾個重要的影響：

· 完整數(shù)據(jù)集只能代表截至目前已經(jīng)進入到系統(tǒng)中的數(shù)據(jù)總量。

· 工作數(shù)據(jù)集也許更相關，在特定時間只能代表某個單一數(shù)據(jù)項。

處理工作是基于事件的，除非明確停止否則沒有“盡頭”。處理結果立刻可用，并會隨著新數(shù)據(jù)的抵達繼續(xù)更新。

流處理系統(tǒng)可以處理幾乎無限量的數(shù)據(jù)，但同一時間只能處理一條（真正的流處理）或很少量（微批處理，Micro-batch Processing）數(shù)據(jù)，不同記錄間只維持最少量的狀態(tài)。雖然大部分系統(tǒng)提供了用于維持某些狀態(tài)的方法，但流處理主要針對副作用更少，更加功能性的處理（Functional processing）進行優(yōu)化。

功能性操作主要側(cè)重于狀態(tài)或副作用有限的離散步驟。針對同一個數(shù)據(jù)執(zhí)行同一個操作會或略其他因素產(chǎn)生相同的結果，此類處理非常適合流處理，因為不同項的狀態(tài)通常是某些困難、限制，以及某些情況下不需要的結果的結合體。因此雖然某些類型的狀態(tài)管理通常是可行的，但這些框架通常在不具備狀態(tài)管理機制時更簡單也更高效。

此類處理非常適合某些類型的工作負載。有近實時處理需求的任務很適合使用流處理模式。分析、服務器或應用程序錯誤日志，以及其他基于時間的衡量指標是最適合的類型，因為對這些領域的數(shù)據(jù)變化做出響應對于業(yè)務職能來說是極為關鍵的。流處理很適合用來處理必須對變動或峰值做出響應，并且關注一段時間內(nèi)變化趨勢的數(shù)據(jù)。

Apache Storm

Apache Storm是一種側(cè)重于極低延遲的流處理框架，也許是要求近實時處理的工作負載的最佳選擇。該技術可處理非常大量的數(shù)據(jù)，通過比其他解決方案更低的延遲提供結果。

流處理模式

Storm的流處理可對框架中名為Topology（拓撲）的DAG（Directed Acyclic Graph，有向無環(huán)圖）進行編排。這些拓撲描述了當數(shù)據(jù)片段進入系統(tǒng)后，需要對每個傳入的片段執(zhí)行的不同轉(zhuǎn)換或步驟。

拓撲包含：

· Stream：普通的數(shù)據(jù)流，這是一種會持續(xù)抵達系統(tǒng)的無邊界數(shù)據(jù)。

· Spout：位于拓撲邊緣的數(shù)據(jù)流來源，例如可以是API或查詢等，從這里可以產(chǎn)生待處理的數(shù)據(jù)。

· Bolt：Bolt代表需要消耗流數(shù)據(jù)，對其應用操作，并將結果以流的形式進行輸出的處理步驟。Bolt需要與每個Spout建立連接，隨后相互連接以組成所有必要的處理。在拓撲的尾部，可以使用最終的Bolt輸出作為相互連接的其他系統(tǒng)的輸入。

Storm背后的想法是使用上述組件定義大量小型的離散操作，隨后將多個組件組成所需拓撲。默認情況下Storm提供了“至少一次”的處理保證，這意味著可以確保每條消息至少可以被處理一次，但某些情況下如果遇到失敗可能會處理多次。Storm無法確?？梢园凑仗囟樞蛱幚硐ⅰ?/p>

為了實現(xiàn)嚴格的一次處理，即有狀態(tài)處理，可以使用一種名為Trident的抽象。嚴格來說不使用Trident的Storm通?？煞Q之為Core Storm。Trident會對Storm的處理能力產(chǎn)生極大影響，會增加延遲，為處理提供狀態(tài)，使用微批模式代替逐項處理的純粹流處理模式。

為避免這些問題，通常建議Storm用戶盡可能使用Core Storm。然而也要注意，Trident對內(nèi)容嚴格的一次處理保證在某些情況下也比較有用，例如系統(tǒng)無法智能地處理重復消息時。如果需要在項之間維持狀態(tài)，例如想要計算一個小時內(nèi)有多少用戶點擊了某個鏈接，此時Trident將是你唯一的選擇。盡管不能充分發(fā)揮框架與生俱來的優(yōu)勢，但Trident提高了Storm的靈活性。

Trident拓撲包含：

· 流批（Stream batch）：這是指流數(shù)據(jù)的微批，可通過分塊提供批處理語義。

· 操作（Operation）：是指可以對數(shù)據(jù)執(zhí)行的批處理過程。

優(yōu)勢和局限

目前來說Storm可能是近實時處理領域的最佳解決方案。該技術可以用極低延遲處理數(shù)據(jù)，可用于希望獲得最低延遲的工作負載。如果處理速度直接影響用戶體驗，例如需要將處理結果直接提供給訪客打開的網(wǎng)站頁面，此時Storm將會是一個很好的選擇。

Storm與Trident配合使得用戶可以用微批代替純粹的流處理。雖然借此用戶可以獲得更大靈活性打造更符合要求的工具，但同時這種做法會削弱該技術相比其他解決方案最大的優(yōu)勢。話雖如此，但多一種流處理方式總是好的。

Core Storm無法保證消息的處理順序。Core Storm為消息提供了“至少一次”的處理保證，這意味著可以保證每條消息都能被處理，但也可能發(fā)生重復。Trident提供了嚴格的一次處理保證，可以在不同批之間提供順序處理，但無法在一個批內(nèi)部實現(xiàn)順序處理。

在互操作性方面，Storm可與Hadoop的YARN資源管理器進行集成，因此可以很方便地融入現(xiàn)有Hadoop部署。除了支持大部分處理框架，Storm還可支持多種語言，為用戶的拓撲定義提供了更多選擇。

總結

對于延遲需求很高的純粹的流處理工作負載，Storm可能是最適合的技術。該技術可以保證每條消息都被處理，可配合多種編程語言使用。由于Storm無法進行批處理，如果需要這些能力可能還需要使用其他軟件。如果對嚴格的一次處理保證有比較高的要求，此時可考慮使用Trident。不過這種情況下其他流處理框架也許更適合。

Apache Samza

Apache Samza是一種與Apache Kafka消息系統(tǒng)緊密綁定的流處理框架。雖然Kafka可用于很多流處理系統(tǒng)，但按照設計，Samza可以更好地發(fā)揮Kafka獨特的架構優(yōu)勢和保障。該技術可通過Kafka提供容錯、緩沖，以及狀態(tài)存儲。

Samza可使用YARN作為資源管理器。這意味著默認情況下需要具備Hadoop集群（至少具備HDFS和YARN），但同時也意味著Samza可以直接使用YARN豐富的內(nèi)建功能。

流處理模式

Samza依賴Kafka的語義定義流的處理方式。Kafka在處理數(shù)據(jù)時涉及下列概念：

· Topic（話題）：進入Kafka系統(tǒng)的每個數(shù)據(jù)流可稱之為一個話題。話題基本上是一種可供消耗方訂閱的，由相關信息組成的數(shù)據(jù)流。

· Partition（分區(qū)）：為了將一個話題分散至多個節(jié)點，Kafka會將傳入的消息劃分為多個分區(qū)。分區(qū)的劃分將基于鍵（Key）進行，這樣可以保證包含同一個鍵的每條消息可以劃分至同一個分區(qū)。分區(qū)的順序可獲得保證。

· Broker（代理）：組成Kafka集群的每個節(jié)點也叫做代理。

· Producer（生成方）：任何向Kafka話題寫入數(shù)據(jù)的組件可以叫做生成方。生成方可提供將話題劃分為分區(qū)所需的鍵。

· Consumer（消耗方）：任何從Kafka讀取話題的組件可叫做消耗方。消耗方需要負責維持有關自己分支的信息，這樣即可在失敗后知道哪些記錄已經(jīng)被處理過了。

由于Kafka相當于永恒不變的日志，Samza也需要處理永恒不變的數(shù)據(jù)流。這意味著任何轉(zhuǎn)換創(chuàng)建的新數(shù)據(jù)流都可被其他組件所使用，而不會對最初的數(shù)據(jù)流產(chǎn)生影響。

優(yōu)勢和局限

乍看之下，Samza對Kafka類查詢系統(tǒng)的依賴似乎是一種限制，然而這也可以為系統(tǒng)提供一些獨特的保證和功能，這些內(nèi)容也是其他流處理系統(tǒng)不具備的。

例如Kafka已經(jīng)提供了可以通過低延遲方式訪問的數(shù)據(jù)存儲副本，此外還可以為每個數(shù)據(jù)分區(qū)提供非常易用且低成本的多訂閱者模型。所有輸出內(nèi)容，包括中間態(tài)的結果都可寫入到Kafka，并可被下游步驟獨立使用。

這種對Kafka的緊密依賴在很多方面類似于MapReduce引擎對HDFS的依賴。雖然在批處理的每個計算之間對HDFS的依賴導致了一些嚴重的性能問題，但也避免了流處理遇到的很多其他問題。

Samza與Kafka之間緊密的關系使得處理步驟本身可以非常松散地耦合在一起。無需事先協(xié)調(diào)，即可在輸出的任何步驟中增加任意數(shù)量的訂閱者，對于有多個團隊需要訪問類似數(shù)據(jù)的組織，這一特性非常有用。多個團隊可以全部訂閱進入系統(tǒng)的數(shù)據(jù)話題，或任意訂閱其他團隊對數(shù)據(jù)進行過某些處理后創(chuàng)建的話題。這一切并不會對數(shù)據(jù)庫等負載密集型基礎架構造成額外的壓力。

直接寫入Kafka還可避免回壓（Backpressure）問題?；貕菏侵府斬撦d峰值導致數(shù)據(jù)流入速度超過組件實時處理能力的情況，這種情況可能導致處理工作停頓并可能丟失數(shù)據(jù)。按照設計，Kafka可以將數(shù)據(jù)保存很長時間，這意味著組件可以在方便的時候繼續(xù)進行處理，并可直接重啟動而無需擔心造成任何后果。

Samza可以使用以本地鍵值存儲方式實現(xiàn)的容錯檢查點系統(tǒng)存儲數(shù)據(jù)。這樣Samza即可獲得“至少一次”的交付保障，但面對由于數(shù)據(jù)可能多次交付造成的失敗，該技術無法對匯總后狀態(tài)（例如計數(shù)）提供精確恢復。

Samza提供的高級抽象使其在很多方面比Storm等系統(tǒng)提供的基元（Primitive）更易于配合使用。目前Samza只支持JVM語言，這意味著它在語言支持方面不如Storm靈活。

總結

對于已經(jīng)具備或易于實現(xiàn)Hadoop和Kafka的環(huán)境，Apache Samza是流處理工作負載一個很好的選擇。Samza本身很適合有多個團隊需要使用（但相互之間并不一定緊密協(xié)調(diào)）不同處理階段的多個數(shù)據(jù)流的組織。Samza可大幅簡化很多流處理工作，可實現(xiàn)低延遲的性能。如果部署需求與當前系統(tǒng)不兼容，也許并不適合使用，但如果需要極低延遲的處理，或?qū)栏竦囊淮翁幚碚Z義有較高需求，此時依然適合考慮。

混合處理系統(tǒng)：批處理和流處理

一些處理框架可同時處理批處理和流處理工作負載。這些框架可以用相同或相關的組件和API處理兩種類型的數(shù)據(jù)，借此讓不同的處理需求得以簡化。

如你所見，這一特性主要是由Spark和Flink實現(xiàn)的，下文將介紹這兩種框架。實現(xiàn)這樣的功能重點在于兩種不同處理模式如何進行統(tǒng)一，以及要對固定和不固定數(shù)據(jù)集之間的關系進行何種假設。

雖然側(cè)重于某一種處理類型的項目會更好地滿足具體用例的要求，但混合框架意在提供一種數(shù)據(jù)處理的通用解決方案。這種框架不僅可以提供處理數(shù)據(jù)所需的方法，而且提供了自己的集成項、庫、工具，可勝任圖形分析、機器學習、交互式查詢等多種任務。

Apache Spark

Apache Spark是一種包含流處理能力的下一代批處理框架。與Hadoop的MapReduce引擎基于各種相同原則開發(fā)而來的Spark主要側(cè)重于通過完善的內(nèi)存計算和處理優(yōu)化機制加快批處理工作負載的運行速度。

Spark可作為獨立集群部署（需要相應存儲層的配合），或可與Hadoop集成并取代MapReduce引擎。

批處理模式

與MapReduce不同，Spark的數(shù)據(jù)處理工作全部在內(nèi)存中進行，只在一開始將數(shù)據(jù)讀入內(nèi)存，以及將最終結果持久存儲時需要與存儲層交互。所有中間態(tài)的處理結果均存儲在內(nèi)存中。

雖然內(nèi)存中處理方式可大幅改善性能，Spark在處理與磁盤有關的任務時速度也有很大提升，因為通過提前對整個任務集進行分析可以實現(xiàn)更完善的整體式優(yōu)化。為此Spark可創(chuàng)建代表所需執(zhí)行的全部操作，需要操作的數(shù)據(jù)，以及操作和數(shù)據(jù)之間關系的Directed Acyclic Graph（有向無環(huán)圖），即DAG，借此處理器可以對任務進行更智能的協(xié)調(diào)。

為了實現(xiàn)內(nèi)存中批計算，Spark會使用一種名為Resilient Distributed Dataset（彈性分布式數(shù)據(jù)集），即RDD的模型來處理數(shù)據(jù)。這是一種代表數(shù)據(jù)集，只位于內(nèi)存中，永恒不變的結構。針對RDD執(zhí)行的操作可生成新的RDD。每個RDD可通過世系（Lineage）回溯至父級RDD，并最終回溯至磁盤上的數(shù)據(jù)。Spark可通過RDD在無需將每個操作的結果寫回磁盤的前提下實現(xiàn)容錯。

流處理模式

流處理能力是由Spark Streaming實現(xiàn)的。Spark本身在設計上主要面向批處理工作負載，為了彌補引擎設計和流處理工作負載特征方面的差異，Spark實現(xiàn)了一種叫做微批（Micro-batch）*的概念。在具體策略方面該技術可以將數(shù)據(jù)流視作一系列非常小的“批”，借此即可通過批處理引擎的原生語義進行處理。

Spark Streaming會以亞秒級增量對流進行緩沖，隨后這些緩沖會作為小規(guī)模的固定數(shù)據(jù)集進行批處理。這種方式的實際效果非常好，但相比真正的流處理框架在性能方面依然存在不足。

優(yōu)勢和局限

使用Spark而非Hadoop MapReduce的主要原因是速度。在內(nèi)存計算策略和先進的DAG調(diào)度等機制的幫助下，Spark可以用更快速度處理相同的數(shù)據(jù)集。

Spark的另一個重要優(yōu)勢在于多樣性。該產(chǎn)品可作為獨立集群部署，或與現(xiàn)有Hadoop集群集成。該產(chǎn)品可運行批處理和流處理，運行一個集群即可處理不同類型的任務。

除了引擎自身的能力外，圍繞Spark還建立了包含各種庫的生態(tài)系統(tǒng)，可為機器學習、交互式查詢等任務提供更好的支持。相比MapReduce，Spark任務更是“眾所周知”地易于編寫，因此可大幅提高生產(chǎn)力。

為流處理系統(tǒng)采用批處理的方法，需要對進入系統(tǒng)的數(shù)據(jù)進行緩沖。緩沖機制使得該技術可以處理非常大量的傳入數(shù)據(jù)，提高整體吞吐率，但等待緩沖區(qū)清空也會導致延遲增高。這意味著Spark Streaming可能不適合處理對延遲有較高要求的工作負載。

由于內(nèi)存通常比磁盤空間更貴，因此相比基于磁盤的系統(tǒng)，Spark成本更高。然而處理速度的提升意味著可以更快速完成任務，在需要按照小時數(shù)為資源付費的環(huán)境中，這一特性通?？梢缘窒黾拥某杀尽?/p>

Spark內(nèi)存計算這一設計的另一個后果是，如果部署在共享的集群中可能會遇到資源不足的問題。相比HadoopMapReduce，Spark的資源消耗更大，可能會對需要在同一時間使用集群的其他任務產(chǎn)生影響。從本質(zhì)來看，Spark更不適合與Hadoop堆棧的其他組件共存一處。

總結

Spark是多樣化工作負載處理任務的最佳選擇。Spark批處理能力以更高內(nèi)存占用為代價提供了無與倫比的速度優(yōu)勢。對于重視吞吐率而非延遲的工作負載，則比較適合使用Spark Streaming作為流處理解決方案。

Apache Flink

Apache Flink是一種可以處理批處理任務的流處理框架。該技術可將批處理數(shù)據(jù)視作具備有限邊界的數(shù)據(jù)流，借此將批處理任務作為流處理的子集加以處理。為所有處理任務采取流處理為先的方法會產(chǎn)生一系列有趣的副作用。

這種流處理為先的方法也叫做Kappa架構，與之相對的是更加被廣為人知的Lambda架構（該架構中使用批處理作為主要處理方法，使用流作為補充并提供早期未經(jīng)提煉的結果）。Kappa架構中會對一切進行流處理，借此對模型進行簡化，而這一切是在最近流處理引擎逐漸成熟后才可行的。

流處理模型

Flink的流處理模型在處理傳入數(shù)據(jù)時會將每一項視作真正的數(shù)據(jù)流。Flink提供的DataStream API可用于處理無盡的數(shù)據(jù)流。Flink可配合使用的基本組件包括：

· Stream（流）是指在系統(tǒng)中流轉(zhuǎn)的，永恒不變的無邊界數(shù)據(jù)集

· Operator（操作方）是指針對數(shù)據(jù)流執(zhí)行操作以產(chǎn)生其他數(shù)據(jù)流的功能

· Source（源）是指數(shù)據(jù)流進入系統(tǒng)的入口點

· Sink（槽）是指數(shù)據(jù)流離開Flink系統(tǒng)后進入到的位置，槽可以是數(shù)據(jù)庫或到其他系統(tǒng)的連接器

為了在計算過程中遇到問題后能夠恢復，流處理任務會在預定時間點創(chuàng)建快照。為了實現(xiàn)狀態(tài)存儲，F(xiàn)link可配合多種狀態(tài)后端系統(tǒng)使用，具體取決于所需實現(xiàn)的復雜度和持久性級別。

此外Flink的流處理能力還可以理解“事件時間”這一概念，這是指事件實際發(fā)生的時間，此外該功能還可以處理會話。這意味著可以通過某種有趣的方式確保執(zhí)行順序和分組。

批處理模型

Flink的批處理模型在很大程度上僅僅是對流處理模型的擴展。此時模型不再從持續(xù)流中讀取數(shù)據(jù)，而是從持久存儲中以流的形式讀取有邊界的數(shù)據(jù)集。Flink會對這些處理模型使用完全相同的運行時。

Flink可以對批處理工作負載實現(xiàn)一定的優(yōu)化。例如由于批處理操作可通過持久存儲加以支持，F(xiàn)link可以不對批處理工作負載創(chuàng)建快照。數(shù)據(jù)依然可以恢復，但常規(guī)處理操作可以執(zhí)行得更快。

另一個優(yōu)化是對批處理任務進行分解，這樣即可在需要的時候調(diào)用不同階段和組件。借此Flink可以與集群的其他用戶更好地共存。對任務提前進行分析使得Flink可以查看需要執(zhí)行的所有操作、數(shù)據(jù)集的大小，以及下游需要執(zhí)行的操作步驟，借此實現(xiàn)進一步的優(yōu)化。

優(yōu)勢和局限

Flink目前是處理框架領域一個獨特的技術。雖然Spark也可以執(zhí)行批處理和流處理，但Spark的流處理采取的微批架構使其無法適用于很多用例。Flink流處理為先的方法可提供低延遲，高吞吐率，近乎逐項處理的能力。

Flink的很多組件是自行管理的。雖然這種做法較為罕見，但出于性能方面的原因，該技術可自行管理內(nèi)存，無需依賴原生的Java垃圾回收機制。與Spark不同，待處理數(shù)據(jù)的特征發(fā)生變化后Flink無需手工優(yōu)化和調(diào)整，并且該技術也可以自行處理數(shù)據(jù)分區(qū)和自動緩存等操作。

Flink會通過多種方式對工作進行分許進而優(yōu)化任務。這種分析在部分程度上類似于SQL查詢規(guī)劃器對關系型數(shù)據(jù)庫所做的優(yōu)化，可針對特定任務確定最高效的實現(xiàn)方法。該技術還支持多階段并行執(zhí)行，同時可將受阻任務的數(shù)據(jù)集合在一起。對于迭代式任務，出于性能方面的考慮，F(xiàn)link會嘗試在存儲數(shù)據(jù)的節(jié)點上執(zhí)行相應的計算任務。此外還可進行“增量迭代”，或僅對數(shù)據(jù)中有改動的部分進行迭代。

在用戶工具方面，F(xiàn)link提供了基于Web的調(diào)度視圖，借此可輕松管理任務并查看系統(tǒng)狀態(tài)。用戶也可以查看已提交任務的優(yōu)化方案，借此了解任務最終是如何在集群中實現(xiàn)的。對于分析類任務，F(xiàn)link提供了類似SQL的查詢，圖形化處理，以及機器學習庫，此外還支持內(nèi)存計算。

Flink能很好地與其他組件配合使用。如果配合Hadoop 堆棧使用，該技術可以很好地融入整個環(huán)境，在任何時候都只占用必要的資源。該技術可輕松地與YARN、HDFS和Kafka 集成。在兼容包的幫助下，F(xiàn)link還可以運行為其他處理框架，例如Hadoop和Storm編寫的任務。

目前Flink最大的局限之一在于這依然是一個非?！澳暧住钡捻椖俊，F(xiàn)實環(huán)境中該項目的大規(guī)模部署尚不如其他處理框架那么常見，對于Flink在縮放能力方面的局限目前也沒有較為深入的研究。隨著快速開發(fā)周期的推進和兼容包等功能的完善，當越來越多的組織開始嘗試時，可能會出現(xiàn)越來越多的Flink部署

總結

Flink提供了低延遲流處理，同時可支持傳統(tǒng)的批處理任務。Flink也許最適合有極高流處理需求，并有少量批處理任務的組織。該技術可兼容原生Storm和Hadoop程序，可在YARN管理的集群上運行，因此可以很方便地進行評估?？焖龠M展的開發(fā)工作使其值得被大家關注。

結論

大數(shù)據(jù)系統(tǒng)可使用多種處理技術。

對于僅需要批處理的工作負載，如果對時間不敏感，比其他解決方案實現(xiàn)成本更低的Hadoop將會是一個好選擇。

對于僅需要流處理的工作負載，Storm可支持更廣泛的語言并實現(xiàn)極低延遲的處理，但默認配置可能產(chǎn)生重復結果并且無法保證順序。Samza與YARN和Kafka緊密集成可提供更大靈活性，更易用的多團隊使用，以及更簡單的復制和狀態(tài)管理。

對于混合型工作負載，Spark可提供高速批處理和微批處理模式的流處理。該技術的支持更完善，具備各種集成庫和工具，可實現(xiàn)靈活的集成。Flink提供了真正的流處理并具備批處理能力，通過深度優(yōu)化可運行針對其他平臺編寫的任務，提供低延遲的處理，但實際應用方面還為時過早。

最適合的解決方案主要取決于待處理數(shù)據(jù)的狀態(tài)，對處理所需時間的需求，以及希望得到的結果。具體是使用全功能解決方案或主要側(cè)重于某種項目的解決方案，這個問題需要慎重權衡。隨著逐漸成熟并被廣泛接受，在評估任何新出現(xiàn)的創(chuàng)新型解決方案時都需要考慮類似的問題。

三、大數(shù)據(jù)就是底層邏輯嗎?

不太明白問題什么意思，

數(shù)據(jù)操作是高層，但是大數(shù)據(jù)需要多臺電腦協(xié)作處理，需要計算機底層技術支持。

一旦底層技術完成，對使用者而言底層又是透明了，又變成高層了

四、怎樣成為優(yōu)秀的大數(shù)據(jù)工程師？需要具備哪些技術？

大數(shù)據(jù)工程師有不少細分方向，不同的方向需要具備不同的知識結構，通常情況下大數(shù)據(jù)工程師分為四個具體的工作領域，分別是大數(shù)據(jù)底層平臺研發(fā)、大數(shù)據(jù)應用開發(fā)、大數(shù)據(jù)分析和大數(shù)據(jù)運維，其中大數(shù)據(jù)平臺研發(fā)工程師的數(shù)量占比較少，屬于大數(shù)據(jù)領域的高端人才，往往從業(yè)者在研究生期間主攻的方向就是大數(shù)據(jù)平臺研發(fā)。

大數(shù)據(jù)應用開發(fā)工程師是大數(shù)據(jù)領域一個比較熱門的崗位，由于目前大數(shù)據(jù)正在處在落地應用的階段，所以有大量的傳統(tǒng)應用需要進行大數(shù)據(jù)改造，因此大數(shù)據(jù)應用開發(fā)崗位有較多的人才需求。這個崗位需要掌握的知識結構包括大數(shù)據(jù)平臺體系結構，比如目前常見的Hadoop、Spark平臺，以及眾多組件的功能和應用，另外還需要掌握至少一門編程語言，比如Java、Python、Scala等，這些編程語言是可以開發(fā)落地應用的。

大數(shù)據(jù)分析工程師是大數(shù)據(jù)領域非常重要的崗位，因為大數(shù)據(jù)的核心之一是數(shù)據(jù)價值化，而數(shù)據(jù)價值化的核心則在于數(shù)據(jù)的分析和應用，所以數(shù)據(jù)分析是大數(shù)據(jù)應用的一個重點所在。大數(shù)據(jù)分析工程師需要掌握的知識結構包括算法設計、編程語言以及呈現(xiàn)工具，算法設計是大數(shù)據(jù)分析師需要掌握的重點內(nèi)容，而編程語言的作用則是完成算法的實現(xiàn)。另外，大數(shù)據(jù)分析師還需要掌握一些常見的分析工具，比如一些常見的BI工具，在一些比較簡單的場景下BI工具能完成大量的工作，并生成呈現(xiàn)界面?？匆粋€使用Python中scipy庫的應用：

大數(shù)據(jù)運維工程師的主要工作內(nèi)容是搭建大數(shù)據(jù)平臺、部署大數(shù)據(jù)功能組件、配置網(wǎng)絡環(huán)境和硬件環(huán)境、維護大數(shù)據(jù)平臺，大數(shù)據(jù)運維工程師需要具備的知識結構包括計算機網(wǎng)絡、大數(shù)據(jù)平臺體系結構、編程語言（編寫運維腳本）等，通常情況下，大數(shù)據(jù)運維工程師也需要對數(shù)據(jù)庫有深入的了解。

大數(shù)據(jù)是我的主要研究方向之一，目前我也在帶大數(shù)據(jù)方向的研究生，我會陸續(xù)在頭條寫一些關于大數(shù)據(jù)方面的文章，感興趣的朋友可以關注我的頭條號，相信一定會有所收獲。

如果有大數(shù)據(jù)方面的問題，也可以咨詢我，謝謝！

以上就是關于大數(shù)據(jù)的底層技術有哪些相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。