適合大數(shù)據(jù)分析的工具有哪些
掃描二維碼
隨時(shí)隨地手機(jī)看文章
大數(shù)據(jù)是一個(gè)含義廣泛的術(shù)語,是指數(shù)據(jù)集,如此龐大而復(fù)雜的,他們需要專門設(shè)計(jì)的硬件和軟件工具進(jìn)行處理。該數(shù)據(jù)集通常是萬億或EB的大小。這些數(shù)據(jù)集收集自各種各樣的來源:傳感器,氣候信息,公開的信息,如雜志,報(bào)紙,文章。大數(shù)據(jù)產(chǎn)生的其他例子包括購買交易記錄,網(wǎng)絡(luò)日志,病歷,軍事監(jiān)控,視頻和圖像檔案,及大型電子商務(wù)。
在大數(shù)據(jù)和大數(shù)據(jù)分析,他們對企業(yè)的影響有一個(gè)興趣高漲。大數(shù)據(jù)分析是研究大量的數(shù)據(jù)的過程中尋找模式,相關(guān)性和其他有用的信息,可以幫助企業(yè)更好地適應(yīng)變化,并做出更明智的決策。
一、Hadoop
Hadoop 是一個(gè)能夠?qū)Υ罅繑?shù)據(jù)進(jìn)行分布式處理的軟件框架。但是 Hadoop 是以一種可靠、高效、可伸縮的方式進(jìn)行處理的。Hadoop 是可靠的,因?yàn)樗僭O(shè)計(jì)算元素和存儲會失敗,因此它維護(hù)多個(gè)工作數(shù)據(jù)副本,確保能夠針對失敗的節(jié)點(diǎn)重新分布處理。Hadoop 是高效的,因?yàn)樗圆⑿械姆绞焦ぷ?,通過并行處理加快處理速度。Hadoop 還是可伸縮的,能夠處理 PB 級數(shù)據(jù)。此外,Hadoop 依賴于社區(qū)服務(wù)器,因此它的成本比較低,任何人都可以使用。
Hadoop是一個(gè)能夠讓用戶輕松架構(gòu)和使用的分布式計(jì)算平臺。用戶可以輕松地在Hadoop上開發(fā)和運(yùn)行處理海量數(shù)據(jù)的應(yīng)用程序。它主要有以下幾個(gè)優(yōu)點(diǎn):
⒈高可靠性。Hadoop按位存儲和處理數(shù)據(jù)的能力值得人們信賴。
⒉高擴(kuò)展性。Hadoop是在可用的計(jì)算機(jī)集簇間分配數(shù)據(jù)并完成計(jì)算任務(wù)的,這些集簇可以方便地?cái)U(kuò)展到數(shù)以千計(jì)的節(jié)點(diǎn)中。
⒊高效性。Hadoop能夠在節(jié)點(diǎn)之間動態(tài)地移動數(shù)據(jù),并保證各個(gè)節(jié)點(diǎn)的動態(tài)平衡,因此處理速度非???。
⒋高容錯(cuò)性。Hadoop能夠自動保存數(shù)據(jù)的多個(gè)副本,并且能夠自動將失敗的任務(wù)重新分配。
Hadoop帶有用 Java 語言編寫的框架,因此運(yùn)行在 Linux 生產(chǎn)平臺上是非常理想的。Hadoop 上的應(yīng)用程序也可以使用其他語言編寫,比如 C++。
二、HPCCHPCC,High Performance Computing and CommunicaTIons(高性能計(jì)算與通信)的縮寫。1993年,由美國科學(xué)、工程、技術(shù)聯(lián)邦協(xié)調(diào)理事會向國會提交了“重大挑戰(zhàn)項(xiàng)目:高性能計(jì)算與 通信”的報(bào)告,也就是被稱為HPCC計(jì)劃的報(bào)告,即美國總統(tǒng)科學(xué)戰(zhàn)略項(xiàng)目,其目的是通過加強(qiáng)研究與開發(fā)解決一批重要的科學(xué)與技術(shù)挑戰(zhàn)問題。HPCC是美國 實(shí)施信息高速公路而上實(shí)施的計(jì)劃,該計(jì)劃的實(shí)施將耗資百億美元,其主要目標(biāo)要達(dá)到:開發(fā)可擴(kuò)展的計(jì)算系統(tǒng)及相關(guān)軟件,以支持太位級網(wǎng)絡(luò)傳輸性能,開發(fā)千兆 比特網(wǎng)絡(luò)技術(shù),擴(kuò)展研究和教育機(jī)構(gòu)及網(wǎng)絡(luò)連接能力。
該項(xiàng)目主要由五部分組成:
1、高性能計(jì)算機(jī)系統(tǒng)(HPCS),內(nèi)容包括今后幾代計(jì)算機(jī)系統(tǒng)的研究、系統(tǒng)設(shè)計(jì)工具、先進(jìn)的典型系統(tǒng)及原有系統(tǒng)的評價(jià)等;
2、先進(jìn)軟件技術(shù)與算法(ASTA),內(nèi)容有巨大挑戰(zhàn)問題的軟件支撐、新算法設(shè)計(jì)、軟件分支與工具、計(jì)算計(jì)算及高性能計(jì)算研究中心等;
3、國家科研與教育網(wǎng)格(NREN),內(nèi)容有中接站及10億位級傳輸?shù)难芯颗c開發(fā);
4、基本研究與人類資源(BRHR),內(nèi)容有基礎(chǔ)研究、培訓(xùn)、教育及課程教材,被設(shè)計(jì)通過獎勵調(diào)查者-開始的,長期 的調(diào)查在可升級的高性能計(jì)算中來增加創(chuàng)新意識流,通過提高教育和高性能的計(jì)算訓(xùn)練和通信來加大熟練的和訓(xùn)練有素的人員的聯(lián)營,和來提供必需的基礎(chǔ)架構(gòu)來支 持這些調(diào)查和研究活動;
5、信息基礎(chǔ)結(jié)構(gòu)技術(shù)和應(yīng)用(IITA ),目的在于保證美國在先進(jìn)信息技術(shù)開發(fā)方面的領(lǐng)先地位。
三、StormStorm是自由的開源軟件,一個(gè)分布式的、容錯(cuò)的實(shí)時(shí)計(jì)算系統(tǒng)。Storm可以非??煽康奶幚睚嫶蟮臄?shù)據(jù)流,用于處理Hadoop的批量數(shù)據(jù)。Storm很簡單,支持許多種編程語言,使用起來非常有趣。Storm由Twitter開源而來,其它知名的應(yīng)用企業(yè)包括Groupon、淘寶、支付寶、阿里巴巴、樂元素、Admaster等等。
Storm有許多應(yīng)用領(lǐng)域:實(shí)時(shí)分析、在線機(jī)器學(xué)習(xí)、不停頓的計(jì)算、分布式RPC(遠(yuǎn)過程調(diào)用協(xié)議,一種通過網(wǎng)絡(luò)從遠(yuǎn)程計(jì)算機(jī)程序上請求服務(wù))、 ETL(ExtracTIon-TransformaTIon-Loading的縮寫,即數(shù)據(jù)抽取、轉(zhuǎn)換和加載)等等。Storm的處理速度驚人:經(jīng)測 試,每個(gè)節(jié)點(diǎn)每秒鐘可以處理100萬個(gè)數(shù)據(jù)元組。Storm是可擴(kuò)展、容錯(cuò),很容易設(shè)置和操作。
四、Apache Drill為了幫助企業(yè)用戶尋找更為有效、加快Hadoop數(shù)據(jù)查詢的方法,Apache軟件基金會近日發(fā)起了一項(xiàng)名為“Drill”的開源項(xiàng)目。Apache Drill 實(shí)現(xiàn)了 Google’s Dremel.
據(jù)Hadoop廠商MapR Technologies公司產(chǎn)品經(jīng)理Tomer Shiran介紹,“Drill”已經(jīng)作為Apache孵化器項(xiàng)目來運(yùn)作,將面向全球軟件工程師持續(xù)推廣。
該項(xiàng)目將會創(chuàng)建出開源版本的谷歌Dremel Hadoop工具(谷歌使用該工具來為Hadoop數(shù)據(jù)分析工具的互聯(lián)網(wǎng)應(yīng)用提速)。而“Drill”將有助于Hadoop用戶實(shí)現(xiàn)更快查詢海量數(shù)據(jù)集的目的。
“Drill”項(xiàng)目其實(shí)也是從谷歌的Dremel項(xiàng)目中獲得靈感:該項(xiàng)目幫助谷歌實(shí)現(xiàn)海量數(shù)據(jù)集的分析處理,包括分析抓取Web文檔、跟蹤安裝在Android Market上的應(yīng)用程序數(shù)據(jù)、分析垃圾郵件、分析谷歌分布式構(gòu)建系統(tǒng)上的測試結(jié)果等等。
通過開發(fā)“Drill”Apache開源項(xiàng)目,組織機(jī)構(gòu)將有望建立Drill所屬的API接口和靈活強(qiáng)大的體系架構(gòu),從而幫助支持廣泛的數(shù)據(jù)源、數(shù)據(jù)格式和查詢語言。
五、RapidMinerRapidMiner是世界領(lǐng)先的數(shù)據(jù)挖掘解決方案,在一個(gè)非常大的程度上有著先進(jìn)技術(shù)。它數(shù)據(jù)挖掘任務(wù)涉及范圍廣泛,包括各種數(shù)據(jù)藝術(shù),能簡化數(shù)據(jù)挖掘過程的設(shè)計(jì)和評價(jià)。
功能和特點(diǎn)
免費(fèi)提供數(shù)據(jù)挖掘技術(shù)和庫 100%用Java代碼(可運(yùn)行在操作系統(tǒng)) 數(shù)據(jù)挖掘過程簡單,強(qiáng)大和直觀 內(nèi)部XML保證了標(biāo)準(zhǔn)化的格式來表示交換數(shù)據(jù)挖掘過程 可以用簡單腳本語言自動進(jìn)行大規(guī)模進(jìn)程 多層次的數(shù)據(jù)視圖,確保有效和透明的數(shù)據(jù) 圖形用戶界面的互動原型 命令行(批處理模式)自動大規(guī)模應(yīng)用 Java API(應(yīng)用編程接口) 簡單的插件和推廣機(jī)制 強(qiáng)大的可視化引擎,許多尖端的高維數(shù)據(jù)的可視化建模 400多個(gè)數(shù)據(jù)挖掘運(yùn)營商支持
耶魯大學(xué)已成功地應(yīng)用在許多不同的應(yīng)用領(lǐng)域,包括文本挖掘,多媒體挖掘,功能設(shè)計(jì),數(shù)據(jù)流挖掘,集成開發(fā)的方法和分布式數(shù)據(jù)挖掘。
六、Pentaho BIPentaho BI 平臺不同于傳統(tǒng)的BI 產(chǎn)品,它是一個(gè)以流程為中心的,面向解決方案(SoluTIon)的框架。其目的在于將一系列企業(yè)級BI產(chǎn)品、開源軟件、API等等組件集成起來,方便商務(wù)智能應(yīng)用的開發(fā)。它的出現(xiàn),使得一系列的面向商務(wù)智能的獨(dú)立產(chǎn)品如Jfree、Quartz等等,能夠集成在一起,構(gòu)成一項(xiàng)項(xiàng)復(fù)雜的、完整的商務(wù)智能解決方案。
Pentaho BI 平臺,Pentaho Open BI 套件的核心架構(gòu)和基礎(chǔ),是以流程為中心的,因?yàn)槠渲袠锌刂破魇且粋€(gè)工作流引擎。工作流引擎使用流程定義來定義在BI 平臺上執(zhí)行的商業(yè)智能流程。流程可以很容易的被定制,也可以添加新的流程。BI 平臺包含組件和報(bào)表,用以分析這些流程的性能。目前,Pentaho的主要組成元素包括報(bào)表生成、分析、數(shù)據(jù)挖掘和工作流管理等等。這些組件通過 J2EE、WebService、SOAP、HTTP、Java、JavaScript、Portals等技術(shù)集成到Pentaho平臺中來。 Pentaho的發(fā)行,主要以Pentaho SDK的形式進(jìn)行。
Pentaho SDK共包含五個(gè)部分:Pentaho平臺、Pentaho示例數(shù)據(jù)庫、可獨(dú)立運(yùn)行的Pentaho平臺、Pentaho解決方案示例和一個(gè)預(yù)先配制好的 Pentaho網(wǎng)絡(luò)服務(wù)器。其中Pentaho平臺是Pentaho平臺最主要的部分,囊括了Pentaho平臺源代碼的主體;Pentaho數(shù)據(jù)庫為 Pentaho平臺的正常運(yùn)行提供的數(shù)據(jù)服務(wù),包括配置信息、Solution相關(guān)的信息等等,對于Pentaho平臺來說它不是必須的,通過配置是可以用其它數(shù)據(jù)庫服務(wù)取代的;可獨(dú)立運(yùn)行的Pentaho平臺是Pentaho平臺的獨(dú)立運(yùn)行模式的示例,它演示了如何使Pentaho平臺在沒有應(yīng)用服務(wù)器支持的情況下獨(dú)立運(yùn)行;
Pentaho解決方案示例是一個(gè)Eclipse工程,用來演示如何為Pentaho平臺開發(fā)相關(guān)的商業(yè)智能解決方案。
Pentaho BI 平臺構(gòu)建于服務(wù)器,引擎和組件的基礎(chǔ)之上。這些提供了系統(tǒng)的J2EE 服務(wù)器,安全,portal,工作流,規(guī)則引擎,圖表,協(xié)作,內(nèi)容管理,數(shù)據(jù)集成,分析和建模功能。這些組件的大部分是基于標(biāo)準(zhǔn)的,可使用其他產(chǎn)品替換之。