《Spark与Hadoop大数据分析》一一1.1　大数据分析以及 Hadoop 和 Spark 在其中承担的角色...

本节书摘来自华章计算机《Spark与Hadoop大数据分析》一书中的第1章，第1.1节,作者：文卡特·安卡姆（Venkat Ankam）更多章节内容可以访问云栖社区“华章计算机”公众号查看。

1.1　大数据分析以及 Hadoop 和 Spark 在其中承担的角色

传统的数据分析使用关系型数据库管理系统（Relational Database Management System，RDBMS）的数据库来创建数据仓库和数据集市，以便使用商业智能工具进行分析。RDBMS 数据库采用的是写时模式（Schema-on-Write）的方法，而这种方法有许多缺点。
传统数据仓库的设计思想是用于提取、转换和加载（Extract, Transform, and Load，ETL）数据，据此回答与用户需求直接相关的一组预先定义的问题。这些预先定义的问题是利用 SQL 查询来回答的。一旦数据以易于访问的（consumable）格式进行转换和加载，用户就可以通过各种工具和应用程序访问它，从而生成报告和仪表板。但是，以易于访问的格式创建数据需要几个步骤，如下所示：
（1）确定预先定义的问题。
（2）从数据源系统识别和收集数据。
（3）创建 ETL 流水线，把数据以易于访问的格式加载到分析型数据库里。
如果有了新的问题，系统就需要识别和添加新的数据源并创建新的ETL流水线。这涉及数据库中的模式更改，实施工作通常会持续1～6个月。这是一个很重大的约束，迫使数据分析人员只能在预定义的范围内进行操作。
将数据转换为易于访问的格式通常会导致丢失原始/原子数据，而这些数据可能含有我们正在寻找的答案的结论或线索。
处理结构化和非结构化数据是传统数据仓库系统中的另一个挑战。有效地存储和处理大型二进制图像或视频也总是有挑战性的。
大数据分析是不使用关系数据库的；相反，它通常借助Hive和HBase在Hadoop平台上使用读取模式（Schema-on-Read，SOR）方法。这种方法有许多优点。图1-2比较了 Schema-on-Write和Schema-on-Read 的场景。

图1-2　写时模式和读取模式的对比
读取模式方法为系统带来了灵活性和可重用性。读取模式的范例强调以原始的、未修改的格式存储数据，并且通常在读取或处理数据时，会根据需要将某个模式应用于数据。这种方法让存储数据的数量和类型具有更大的灵活性。同一组原始数据可以应用多个模式，以提出各种问题。如果需要回答新问题，只需获取新数据并将其存储在HDFS的一个新目录中，就可以开始回答新问题了。
这种方法还为使用多种方法和工具访问数据提供了巨大的灵活性。例如，可以使用 SQL分析工具或Spark中的复杂Python或R脚本来分析同一组原始数据。由于我们并不会把数据存储在ETL所需的多个层中，因此可以降低存储成本和数据转移成本。非结构化和结构化的数据源都可以和结构化的数据源一起进行分析。

1.1.1　典型大数据分析项目的生命周期

使用大数据平台（如 Hadoop）进行大数据分析的生命周期与传统的数据分析项目类似。不过，大数据分析有个根本的格局转变，那就是使用读取模式方法进行数据分析。
一个大数据分析项目涉及的活动如图1-3所示。

图1-3　大数据分析的生命周期

识别问题和结果
首先要明确项目的业务问题和期望的结果，以便确定需要哪些数据，可以进行哪些分析。业务问题的一些示例是公司销售额下降、客户访问了网站但没有购买产品、客户放弃了购物车、支持电话热线呼叫量的突然增加等。而项目成果的一些示例是把购买率提高 10%、将购物车放弃率降低50%、在下一季度让支持电话量减少50%的同时保持客户满意度。
识别必要的数据
要确定数据的质量、数量、格式和来源。数据源可以是数据仓库（OLAP）、应用程序数据库（OLTP）、来自服务器的日志文件、来自互联网的文档，以及从传感器和网络集线器生成的数据。要识别所有内部和外部数据源的需求。此外，要确定数据匿名化和重新进行身份信息处理的要求，以删除或掩盖个人身份信息（personally identifiable information，PII）。
数据收集
我们可以使用Sqoop工具从关系数据库收集数据，并使用Flume来对数据进行流式传输。我们还可以考虑使用Apache Kafka来实现可靠的中间存储。在设计和收集数据的时候，还要考虑容错的情况。
预处理数据和ETL
我们得到的数据会有不同的格式，也可能有数据质量问题。预处理步骤的作用是把数据转换为所需的格式，或清理不一致、无效或损坏的数据。一旦数据符合所需的格式，就可以启动执行分析阶段的工作。Apache Hive、Apache Pig和Spark SQL都是对海量数据进行预处理的优秀工具。

在某些项目中，如果数据已经具备了整洁的格式，或者分析过程是使用读取模式（Schema-on-Read）方法直接针对源数据进行的，那可能就不需要这个步骤了。

进行分析
我们进行分析的目的是回答业务方面的问题。这就需要了解数据以及数据点之间的关系。进行分析的类型有描述性和诊断性分析，得到的是数据的过去和当前视图。它通常回答的是像 “发生了什么事情？”和“为什么发生？”这样的一些问题。在某些情况下也会进行预测分析，它回答的问题是，基于某个假设会发生什么情况，诸如此类。

Apache Hive、Pig、Impala、Drill、Tez、Apache Spark和HBase都是在批处理模式下进行数据分析的优秀工具。而Impala、Tez、Drill和Spark SQL等实时分析工具可以集成到传统的商业智能工具（Tableau、Qlikview等）里，用于交互式分析。

数据可视化
数据可视化是把分析结果以图像或图形格式来呈现，以便更好地理解分析结果，并根据这些数据做出业务决策。

通常，我们可以使用Sqoop将最终数据从Hadoop导出到RDBMS数据库，以便集成到可视化系统中；也可以把可视化系统直接集成到Tableau、Qlikview、Excel这些工具中。基于Web的笔记本（如 Jupyter、Zeppelin和Databricks cloud等）也可以通过和Hadoop及 Spark组件进行集成，用于实现数据的可视化。

1.1.2　Hadoop和Spark承担的角色

Hadoop和Spark为你提供了大数据分析的极大灵活性：
大规模数据预处理：大规模数据集可以高性能地进行预处理
探索大型和完整数据集：数据集的大小无关紧要
通过提供读取模式方法加速数据驱动的创新
用于数据探索的各种工具和API