隨著大數(shù)據(jù)的爆紅，數(shù)據(jù)分析師這個職位也得到了越來越多的關注，千千萬萬懂些大數(shù)據(jù)技術的少年們都渴望成為高大上的“大數(shù)據(jù)科學家”，可是，你們真的準備好了嗎？

1、最早的數(shù)據(jù)分析可能就報表 目前很多數(shù)據(jù)分析后的結果，展示的形式很多，有各種圖形以及報表，最早的應該是簡單的幾條數(shù)據(jù)，然后搞個web頁面，展示一下數(shù)據(jù)。早期可能數(shù)據(jù)量也不大，隨便搞個數(shù)據(jù)庫，然后SQL搞一下，數(shù)據(jù)報表就出來了。但是數(shù)據(jù)量大起來怎么分析呢？數(shù)據(jù)分析完了怎么做傳輸呢？這么大的數(shù)據(jù)量怎么做到實時 呢？分析的結果數(shù)據(jù)如果不是很大還行，如果分析的結果數(shù)據(jù)還是很大改怎么辦呢？這些問題在這篇文章中都能找到答案，下面各個擊破。

2、要做數(shù)據(jù)分析，首先要有數(shù)據(jù)

這個標題感覺有點廢話，不過要做飯需要食材一樣。有些數(shù)據(jù)時業(yè)務積累的，像交易訂單的數(shù)據(jù)，每一筆交易都會有一筆訂單，之后再對訂單數(shù)據(jù)作分 析。但是有些場景下，數(shù)據(jù)沒法考業(yè)務積累，需要依賴于外部，這個時候外部如果有現(xiàn)成的數(shù)據(jù)最好了，直接join過來，但是有時候是需要自己獲取的，例如搞 個爬蟲爬取網頁的數(shù)據(jù)，有時候單臺機器搞爬蟲可能還爬不完，這個時候可能就開始考慮單機多線程爬取或者分布式多線程爬取數(shù)據(jù)，中間涉及到一個步驟，就是在 線的業(yè)務數(shù)據(jù)，需要每天晚上導入到離線的系統(tǒng)中，之后才可以進行分析。

3、有了數(shù)據(jù)，咋分析呢？

先將數(shù)據(jù)量小的情況下，可能一個復雜的SQL就可以搞出來，之后搞個web服務器，頁面請求的時候，執(zhí)行這個SQL，然后展示數(shù)據(jù)，好了，一個最簡 單的數(shù)據(jù)分析，嚴格意義上講是統(tǒng)計的分析。這種情況下，分析的數(shù)據(jù)源小，分析的腳本就是在線執(zhí)行的SQL，分析的結果不用傳輸，結果的展示就在頁面上，整 個流程一條龍。

4、數(shù)據(jù)量大了，無法在線分析了，咋辦呢？

這個時候，數(shù)據(jù)量已經大的無法用在線執(zhí)行SQL的形式進行統(tǒng)計分析了。這個時候順應時代的東西產生了（當然還有其他的，我就知道這個呵呵），數(shù)據(jù)離 線數(shù)據(jù)工具hadoop出來了。這個時候，你的數(shù)據(jù)以文件的形式存在，可能各個屬性是逗號分隔的，數(shù)據(jù)條數(shù)有十幾個億。這時候你可能需要構建一個 hadoop集群，然后把自己的文件導入到集群上面去，上了集群之后，文件就是HDFS的格式了，然后如果要做統(tǒng)計分析，需要寫mapreduce程序， 所謂的mapreduce程序，就是實現(xiàn)map和reduce的接口，按照自己的業(yè)務邏輯寫分析流程，之后把程序打成jar包上傳到集群，之后開始執(zhí)行。 分析后的結果還是文件的形式產生。

5、分析個數(shù)據(jù)還要寫java代碼是不是效率低了點？

這個確實是，mapreduce的程序，本身的可測性沒有執(zhí)行一個簡單的單元測試來的爽，所以效率確實不高。這個時候，hive出現(xiàn) 了，hive是一個數(shù)據(jù)倉庫分析的語言，語法類似于數(shù)據(jù)庫的SQL，但是有幾個地方是不同的。有了hive之后，數(shù)據(jù)分析就好之前寫SQL一樣了，按照邏 輯編寫hive SQL，然后控制臺執(zhí)行?？赡茏畲蟮母杏X是，數(shù)據(jù)庫的sql很快就能有結果，但是hive的，即使很小的一個數(shù)據(jù)分析，也需要幾分鐘時間。構建hive， 需要在hadoop的集群上，原理很簡單，就是把文件構建成表的形式（有一個數(shù)據(jù)庫或者內存數(shù)據(jù)庫維護表的schema信息），之后提交寫好的hive sql的時候，hadoop集群里面的程序把hive腳本轉換成對應的mapreduce程序執(zhí)行。這個時候，做離線的數(shù)據(jù)分析簡單寫腳本就行了，不用再 搞java代碼，然后上傳執(zhí)行了。

6、數(shù)據(jù)產生的結果，怎么搞到線上提供服務的數(shù)據(jù)庫中呢？

這個時候分析的結果有了，可能是一個很寬很長的excel表格，需要導入到線上的數(shù)據(jù)庫中，可能你想到了，如果我的數(shù)據(jù)庫是mysql，我直接執(zhí)行 load 命令就搞進去了，哪有那么麻煩。但是數(shù)據(jù)源可能有多了，mysql/oracle/hbasefs 按照笛卡爾積的形式，這樣搞要搞死程序員了。這個時候datax（已經開源）出現(xiàn)了，能夠實現(xiàn)異構數(shù)據(jù)源的導入和導出，采用插件的形式設計，能夠支持未來 的數(shù)據(jù)源。如果需要導數(shù)據(jù)，配置一下datax的xml文件或者在web頁面上點擊下就可以實現(xiàn)了。

7、離線分析有時間差，實時的話怎么搞呢？

要構建實時的分析系統(tǒng)，其實在結果數(shù)據(jù)出來之前，架構和離線是截然不同的。數(shù)據(jù)時流動的，如果在大并發(fā)海量數(shù)據(jù)流動過程中，進行自己的業(yè)務分析呢？ 這里其實說簡單也簡單，說復雜也復雜。目前我接觸過的，方案是這樣的，業(yè)務數(shù)據(jù)在寫入數(shù)據(jù)庫的時候，這里的數(shù)據(jù)庫mysql，在數(shù)據(jù)庫的機器上安裝一個程 序，類似JMS的系統(tǒng)，用于監(jiān)聽binlog的變更，收到日志信息，將日志信息轉換為具體的數(shù)據(jù)，然后以消息的形式發(fā)送出來。這個時候實現(xiàn)了解耦，這樣的 處理并不影響正常的業(yè)務流程。這個時候需要有個Storm集群，storm集群干啥事情呢？就一件事情，分析數(shù)據(jù)，這個集群來接收剛才提到的JMS系統(tǒng)發(fā) 送出來的消息，然后按照指定的規(guī)則進行邏輯合并等計算，把計算的結果保存在數(shù)據(jù)庫中，這樣的話，流動的數(shù)據(jù)就可以過一遍篩子了。

8、分析的結果數(shù)據(jù)特別大，在線請求這些結果數(shù)據(jù)數(shù)據(jù)扛不住了，咋搞？

一般的結果數(shù)據(jù)，數(shù)據(jù)量沒有那么大，也就幾十萬的樣子，這樣的數(shù)據(jù)級別，對于mysql這樣的數(shù)據(jù)庫沒有任何壓力，但是這個數(shù)據(jù)量如果增加到千 萬或者億級別，同時有復雜的SQL查詢，這個時候mysql肯定就扛不住了。這個時候，可能需要構建索引（例如通過lucene來對于要檢索的字段添加索 引），或者用分布式的內存服務器來完成查詢?？傊瑑商姿悸?，一個是用文件索引的形式，說白來就是空間換時間，另外一種是用內存，就是用更快的存儲來抗請 求。

9、在線的數(shù)據(jù)庫，除了mysql、oracle之外，還有其他選擇不？

其實目前大家的思維定勢，往往第一個選擇就是oracle或者mysql，其實完全可以根據(jù)場景來進行選擇，mysql和oracle是傳統(tǒng)的 關系型數(shù)據(jù)庫，目前nosql類的數(shù)據(jù)庫也很多，例如HBase就是其中一個重要的代表。如果數(shù)據(jù)離散分布比較強，且根據(jù)特定的key來查詢，這個時候 HBase其實是一個不錯的選擇。

10、空間的數(shù)據(jù)怎么分析？

上面的分析大都是統(tǒng)計維度的，其實最簡單的描述就是求和或者平均值等，這個時候問題來了，大數(shù)據(jù)量的空間數(shù)據(jù)如何分析呢？對于我們電子商務而言，空 間數(shù)據(jù)可能就是海量的收貨地址數(shù)據(jù)了。需要做分析，第一步就是先要把經緯度添加到數(shù)據(jù)中（如果添加經緯度，這個可以搞http的請求來通過地圖服務提供商 來或者，或者是根據(jù)測繪公司的基礎數(shù)據(jù)來進行文本切割分析），之后空間數(shù)據(jù)是二維的，但是我們常見的代數(shù)是一維的，這個時候一個重要的算法出現(xiàn) 了，geohash算法，一種將經緯度數(shù)據(jù)轉換為一個可比較，可排序的字符串的算法。然后，這樣就可以再空間距離方面進行分析了，例如遠近，例如方圓周邊 等數(shù)據(jù)的分析。

11、上面這些僅僅是統(tǒng)計，如果想搞算法或者挖掘之類的，怎么搞呢？

上述的分析，大多數(shù)是統(tǒng)計分析，這個時候如果想高一點高級的，例如添加一個算法，咋搞呢？其他復雜的算法我沒咋接觸過。將拿一個我練過手的算法來講 吧。邏輯回歸，如果樣本數(shù)據(jù)量不是很大，可以采用weka來做了個回歸，獲得一個表達式，然后在線上系統(tǒng)中應用這個表達式，這種類似的表達式獲取對于實時 性要求不是很高，所以公式每天跑一次就行了。如果數(shù)據(jù)量比較大，單機的weka無法滿足需求了，可以將weka的jar包集成在系統(tǒng)中分析，當然也可以通 過hadoop中的mahout來進行離線分析，獲取這個表達式。

12、我就是想離線分析數(shù)據(jù)，但是受不了hive或者hadoop的速度，咋搞？

其實搞過一段時間hadoop的人肯定有一點不爽，就是離線分析的速度太慢了，可能需要等很久，這個時候spark出現(xiàn)了，他和hadoop類似， 不過由于是內存中計算，所以速度快了很多，底層可以介入HDFS的文件系統(tǒng)，具體我沒有使用過，但是公司內部一個團隊目前已經用spark來進行分析了。

13、這就是搞大數(shù)據(jù)了？ 有了這些工具就是搞大數(shù)據(jù)了？

答案肯定不是，這個僅僅是工具罷了。真正搞大數(shù)據(jù)的可能在于思維的變化，用數(shù)據(jù)來思考，用數(shù)據(jù)來做決定。目前的無線和大數(shù)據(jù)啥關系？我覺得無線的終端是數(shù)據(jù)的來源和消費端，中間需要大數(shù)據(jù)的分析，兩者密不可分啊

14，注意大數(shù)據(jù)，和數(shù)據(jù)大是二碼事，如何利用海量的數(shù)據(jù)并結合互聯(lián)網思維來挖掘出各種有價值的信息，才是真正的大數(shù)據(jù)。