大數(shù)據(jù)的開發(fā)過程，如圖1-1所示。

 

 

圖 1-1大數(shù)據(jù)開發(fā)通用步驟圖

上圖只是一個(gè)簡化后的步驟和流程，實(shí)際開發(fā)中，有的步驟可能不需要，有的還需要增加步驟，有的流程可能更復(fù)雜，因具體情況而定。

下面以Google搜索引擎為例，來說明以上步驟。

大數(shù)據(jù)采集

Google的數(shù)據(jù)來源于互聯(lián)網(wǎng)上的網(wǎng)頁，它們由Google Spider(蜘蛛、爬蟲、機(jī)器人)來抓取，抓取的原理也很簡單，就是模擬我們?nèi)说男袨�，來訪問各個(gè)網(wǎng)頁，然后保存網(wǎng)頁內(nèi)容。

Google Spider是一個(gè)程序，運(yùn)行在全球各地的Google服務(wù)器之中，Spider們非常勤奮，日夜不停地工作。點(diǎn)擊領(lǐng)取免費(fèi)資料及課

2008年Google數(shù)據(jù)表明，它們每天都會(huì)訪問大約200億個(gè)網(wǎng)頁，而在總量上，它們追蹤著300億個(gè)左右的獨(dú)立URL鏈接。

可以說，只要是互聯(lián)網(wǎng)上的網(wǎng)站，只要沒有在robots.txt文件禁止Spider訪問的話，其網(wǎng)頁基本上都會(huì)在很短的時(shí)間內(nèi)，被抓取到Google的服務(wù)器上。

全球的網(wǎng)頁，這是典型的大數(shù)據(jù)。因此，Google Spider所做的就是典型的大數(shù)據(jù)采集工作。

大數(shù)據(jù)預(yù)處理

Google Spider爬取的網(wǎng)頁，無論是從格式還是結(jié)構(gòu)等，都不統(tǒng)一，為了便于后續(xù)處理，需要先做一些處理，例如，在存儲(chǔ)之前，先轉(zhuǎn)碼，使用統(tǒng)一的格式對網(wǎng)頁進(jìn)行編碼，這些工作就是預(yù)處理。

如果你想要學(xué)好大數(shù)據(jù)最好加入一個(gè)好的學(xué)習(xí)環(huán)境，可以來這個(gè)Q群529867072 這樣大家學(xué)習(xí)的話就比較方便，還能夠共同交流和分享資料

大數(shù)據(jù)存儲(chǔ)

網(wǎng)頁經(jīng)過預(yù)處理后，就可以存儲(chǔ)到Google的服務(wù)器上。

2008年，Google已經(jīng)索引了全世界1萬億個(gè)網(wǎng)頁，到2014年，這個(gè)數(shù)字變成了30萬億個(gè)。

為了減少開銷，節(jié)約空間，Google將多個(gè)網(wǎng)頁文件合并成一個(gè)大文件，文件大小通常在1GB以上。

這還是15年以前的數(shù)字，那時(shí)，主流臺式機(jī)硬盤也就是60GB左右，1GB的文件在當(dāng)時(shí)可以說是大文件了。

為了實(shí)現(xiàn)這些大文件高效、可靠、低成本存儲(chǔ)，Google發(fā)明了一種構(gòu)建在普通商業(yè)機(jī)器之上的分布式文件系統(tǒng)：Google File System，縮寫為GFS，用來存儲(chǔ)文件(又稱之為非結(jié)構(gòu)化數(shù)據(jù))。

網(wǎng)頁文件存儲(chǔ)下來后，就可以對這些網(wǎng)頁進(jìn)行處理了，例如統(tǒng)計(jì)每個(gè)網(wǎng)頁出現(xiàn)的單詞以及次數(shù)，統(tǒng)計(jì)每個(gè)網(wǎng)頁的外鏈等等。

這些被統(tǒng)計(jì)的信息，就成為了數(shù)據(jù)庫表中的一個(gè)屬性，每個(gè)網(wǎng)頁最終就會(huì)成為數(shù)據(jù)庫表中的一條或若干條記錄。

由于Google存儲(chǔ)的網(wǎng)頁太多，30萬億個(gè)以上，因此，這個(gè)數(shù)據(jù)庫表也是超級龐大的，傳統(tǒng)的數(shù)據(jù)庫，像Oracle等，根本無法處理這么大的數(shù)據(jù)，因此Google基于GFS，發(fā)明了一種存儲(chǔ)海量結(jié)構(gòu)化數(shù)據(jù)(數(shù)據(jù)庫表)的分布式系統(tǒng)Bigtable。

上述兩個(gè)系統(tǒng)(GFS和Bigtable)并未開源，Google僅通過文章的形式，描述了它們的設(shè)計(jì)思想。

所幸的是，基于Google的這些設(shè)計(jì)思想，時(shí)至今日，已經(jīng)出現(xiàn)了不少開源海量數(shù)據(jù)分布式文件系統(tǒng)，如HDFS等，也出現(xiàn)了許多開源海量結(jié)構(gòu)化數(shù)據(jù)的分布式存儲(chǔ)系統(tǒng)，如HBase、Cassandra等，它們分別用于不同類型大數(shù)據(jù)的存儲(chǔ)。

總之，如果采集過來的大數(shù)據(jù)需要存儲(chǔ)，要先判斷數(shù)據(jù)類型，再確定存儲(chǔ)方案選型;

如果不需要存儲(chǔ)(如有的流數(shù)據(jù)不需要存儲(chǔ)，直接處理)，則直接跳過此步驟，進(jìn)行處理。

大數(shù)據(jù)處理

網(wǎng)頁存儲(chǔ)后，就可以對存儲(chǔ)的數(shù)據(jù)進(jìn)行處理了，對于搜索引擎來說，主要有3步：

1)單詞統(tǒng)計(jì)：統(tǒng)計(jì)網(wǎng)頁中每個(gè)單詞出現(xiàn)的次數(shù);

2)倒排索引：統(tǒng)計(jì)每個(gè)單詞所在的網(wǎng)頁URL(Uniform Resource Locator統(tǒng)一資源定位符，俗稱網(wǎng)頁網(wǎng)址)以及次數(shù);

3)計(jì)算網(wǎng)頁級別：根據(jù)特定的排序算法，如PageRank，來計(jì)算每個(gè)網(wǎng)頁的級別，越重要的網(wǎng)頁，級別越高，以此決定網(wǎng)頁在搜索返回結(jié)果中的排序位置。

例如，當(dāng)用戶在搜索框輸入關(guān)鍵詞“足球”后，搜索引擎會(huì)查找倒排索引表，得到“足球”這個(gè)關(guān)鍵詞在哪些網(wǎng)頁(URL)中出現(xiàn)，然后，根據(jù)這些網(wǎng)頁的級別進(jìn)行排序，將級別最高的網(wǎng)頁排在最前面，返回給用戶，這就是點(diǎn)擊“搜索”后，看到的最終結(jié)果。

大數(shù)據(jù)處理時(shí)，往往需要從存儲(chǔ)系統(tǒng)讀取數(shù)據(jù)，處理完畢后，其結(jié)果也往往需要輸出到存儲(chǔ)。因此，大數(shù)據(jù)處理階段和存儲(chǔ)系統(tǒng)的交互非常頻繁。

大數(shù)據(jù)可視化

大數(shù)據(jù)可視化是將數(shù)據(jù)以圖形的方式展現(xiàn)出來，與純粹的數(shù)字表示相比，圖形方式更為直觀，更容易發(fā)現(xiàn)數(shù)據(jù)之間的規(guī)律。

例如，Google Analytics是一個(gè)網(wǎng)站流量分析工具，它統(tǒng)計(jì)每個(gè)用戶使用搜索引擎訪問網(wǎng)站的數(shù)據(jù)，然后得到每個(gè)網(wǎng)站的流量信息，包括網(wǎng)站每天的訪問次數(shù)，訪問量最多的頁面、用戶的平均停留時(shí)間、回訪率等，所有數(shù)據(jù)都以圖形的方式，直觀地顯示出來，如圖1-2所示

 

 

圖1-2 Google網(wǎng)站訪問量分析圖

標(biāo)簽： [db:TAGG]

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。