大数据的常见处理流程

　　前面已经介绍了了处理大数据的必要性和特点，那么接着将谈到如何处理大数据，特别是常见的处理流程。具体的大数据处理方法其实有很多，但是根据长时间的实践，笔者总结了一个基本的大数据处理流程(图1)，并且这个流程应该能够对大家理顺大数据的处理有所帮助。

图1. 大数据的常见处理流程

　　整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，以及挖掘

　　采集

　　大数据的采集是指利用多个数据库来接收发自客户端(Web、App或者传感器形式等)的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。

　　在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。

　　导入/预处理

　　虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。

　　导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。

　　统计/分析

　　统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC 的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。

　　统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。

　　挖掘

　　与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测(Predict)的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的K-Means、用于统计学习的SVM和用于分类的Naive Bayes，主要使用的工具有Hadoop的Mahout等。

　　该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，还有，常用数据挖掘算法都以单线程为主。

　　如何从“小”做起?

　　由于笔者平时与中小企业的接触非常频繁，虽然技术方案与实际的问题相关，但却很难在一篇文章当中详尽地道来。除了上述的基本处理流程之外，以下会将一些基本的从“小”做起的思路作阐述：

　　1. 认识自己的不足。主要是在技术、人力和财力等方面不仅无法与Google和Amazon这样的国外巨头比肩，而且与国内三大互联网BAT(百度、阿里巴巴和腾讯)也是无法比肩的，所以需要深刻认识;

　　2. 明确分析自己的需求。下面是几个常见的需求选项：

　　数据类型，是结构化，半结构化，还是非结构化为主;

　　数据大小，内部数据级别是TB级别、PB级别或者PB以上的级别;

　　读写量级，比如每小时写入的数据达到GB级别，或者每天写入达到TB级别等;

　　读写比例，是写为主，还是以读为主;

　　并发数，大致的每秒并发数;

　　一致性，只接受强一致性，或者可以接受最终一致性和弱一致性;

　　延迟度，最高能容忍的延迟度是多少，是10毫秒，100毫秒，还是1秒;

　　分析的复杂度，需不需要引入较复杂的数据挖掘算法等。

　　3. 要灵活使用现有的工具。首先，推荐使用一些开源，或者是价格可以承受的商业软件。虽然个人并不排斥自建，但是一定要有具体的商业价值，并且最好是在现有工具上的画龙点睛，而不是从头开始构建;其次，工具方面应与具体的场景相关，在不同的场景要使用不同的工具。

　　4. 尽量不要走平台思路，应以具体的应用和场景为主。因为建一个平台有很多附加的成本和设计，比如，Amazon的云平台是通过至少五年时间构建而成。特别是项目初期，不建议走平台这个方向，而是应脚踏实地以具体的商业场景为主。

　　5. 找准切入点。最好是找到一个技术难度小，并且有一定的商业价值的场景来做大数据技术落地的试点，并不断地进行测试和迭代来验证，而不是一味求复杂、求大，这样比较容易说服企业管理层来进行长期的投入和支持;

　　最后，想强调一下，“罗马不是一天建成的”。无论是Google的用于大数据处理的基础设施，还是国内淘宝的“云梯”都是一步步通过不断的积累和实践完成的，所以中小企业应该贯彻“大处着眼、小处着手”的方针来持续地验证和推进。