適合大數(shù)據(jù)分析的工具有哪些

大數(shù)據(jù)是一個含義廣泛的術(shù)語，是指數(shù)據(jù)集，如此龐大而復雜的，他們需要專門設(shè)計的硬件和軟件工具進行處理。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。

Hadoop 是一個能夠?qū)Υ罅繑?shù)據(jù)進行分布式處理的軟件框架。但是 Hadoop 是以一種可靠、高效、可伸縮的方式進行處理的。Hadoop 是可靠的，因為它假設(shè)計算元素和存儲會失敗，因此它維護多個工作數(shù)據(jù)副本，確保能夠針對失敗的節(jié)點重新分布處理。Hadoop 是高效的，因為它以并行的方式工作，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是一個能夠讓用戶輕松架構(gòu)和使用的分布式計算平臺。用戶可以輕松地在Hadoop上開發(fā)和運行處理海量數(shù)據(jù)的應(yīng)用程序。它主要有以下幾個優(yōu)點：

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高擴展性。Hadoop是在可用的計算機集簇間分配數(shù)據(jù)并完成計算任務(wù)的，這些集簇可以方便地擴展到數(shù)以千計的節(jié)點中。

⒊高效性。Hadoop能夠在節(jié)點之間動態(tài)地移動數(shù)據(jù)，并保證各個節(jié)點的動態(tài)平衡，因此處理速度非?？?。

⒋高容錯性。Hadoop能夠自動保存數(shù)據(jù)的多個副本，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++。

HPCC，High Performance Computing and CommunicaTIons（高性能計算與通信）的縮寫。1993年，由美國科學、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)項目：高性能計算與 通信”的報告，也就是被稱為HPCC計劃的報告，即美國總統(tǒng)科學戰(zhàn)略項目，其目的是通過加強研究與開發(fā)解決一批重要的科學與技術(shù)挑戰(zhàn)問題。HPCC是美國 實施信息高速公路而上實施的計劃，該計劃的實施將耗資百億美元，其主要目標要達到：開發(fā)可擴展的計算系統(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)，擴展研究和教育機構(gòu)及網(wǎng)絡(luò)連接能力。

該項目主要由五部分組成：

1、高性能計算機系統(tǒng)（HPCS），內(nèi)容包括今后幾代計算機系統(tǒng)的研究、系統(tǒng)設(shè)計工具、先進的典型系統(tǒng)及原有系統(tǒng)的評價等;

2、先進軟件技術(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、軟件分支與工具、計算計算及高性能計算研究中心等;

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、教育及課程教材，被設(shè)計通過獎勵調(diào)查者-開始的，長期 的調(diào)查在可升級的高性能計算中來增加創(chuàng)新意識流，通過提高教育和高性能的計算訓練和通信來加大熟練的和訓練有素的人員的聯(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信息技術(shù)開發(fā)方面的領(lǐng)先地位。

Storm是自由的開源軟件，一個分布式的、容錯的實時計算系統(tǒng)。Storm可以非常可靠的處理龐大的數(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：實時分析、在線機器學習、不停頓的計算、分布式RPC（遠過程調(diào)用協(xié)議，一種通過網(wǎng)絡(luò)從遠程計算機程序上請求服務(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，每個節(jié)點每秒鐘可以處理100萬個數(shù)據(jù)元組。Storm是可擴展、容錯，很容易設(shè)置和操作。

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)起了一項名為“Drill”的開源項目。Apache Drill 實現(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孵化器項目來運作，將面向全球軟件工程師持續(xù)推廣。

該項目將會創(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用戶實現(xiàn)更快查詢海量數(shù)據(jù)集的目的。

“Drill”項目其實也是從谷歌的Dremel項目中獲得靈感：該項目幫助谷歌實現(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開源項目，組織機構(gòu)將有望建立Drill所屬的API接口和靈活強大的體系架構(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。

RapidMiner是世界領(lǐng)先的數(shù)據(jù)挖掘解決方案，在一個非常大的程度上有著先進技術(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)計和評價。

功能和特點

免費提供數(shù)據(jù)挖掘技術(shù)和庫 100%用Java代碼（可運行在操作系統(tǒng)） 數(shù)據(jù)挖掘過程簡單，強大和直觀 內(nèi)部XML保證了標準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行大規(guī)模進程 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制 強大的可視化引擎，許多尖端的高維數(shù)據(jù)的可視化建模 400多個數(shù)據(jù)挖掘運營商支持

耶魯大學已成功地應(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，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。

Pentaho BI 平臺不同于傳統(tǒng)的BI 產(chǎn)品，它是一個以流程為中心的，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)智能的獨立產(chǎn)品如Jfree、Quartz等等，能夠集成在一起，構(gòu)成一項項復雜的、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，因為其中樞控制器是一個工作流引擎。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的形式進行。

Pentaho SDK共包含五個部分：Pentaho平臺、Pentaho示例數(shù)據(jù)庫、可獨立運行的Pentaho平臺、Pentaho解決方案示例和一個預先配制好的 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;可獨立運行的Pentaho平臺是Pentaho平臺的獨立運行模式的示例，它演示了如何使Pentaho平臺在沒有應(yīng)用服務(wù)器支持的情況下獨立運行;

Pentaho解決方案示例是一個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準的，可使用其他產(chǎn)品替換之。