上海天元项目数据分析师事务所有限公司
地址：上海市徐汇区天钥桥路329号B栋9楼
王
邮@.com
无论是采集数据，还是存储数据，都不是大数据平台的最终目标。失
去数据处理环节，即使珍贵如金矿一般的数据也不过是一堆废铁而已。
数据处理是大数据产业的核心路径，然后再加上最后一公里的数据可视
化，整个链条就算彻底走通了。
剖析大数据平台的数据处理
无论是采集数据，还是存储数据，都不是大数据平台的最终目标。失去
数据处理环节，即使珍贵如金矿一般的数据也不过是一堆废铁而已。数
据处理是大数据产业的核心路径，然后再加上最后一公里的数据可视化
，整个链条就算彻底走通了。
如下图所示，我们可以从业务、技术与编程模型三个不同的视角对数据
处理进行归类：
剖析大数据平台的数据处理-1
业务角度的分类与具体的业务场景有关，但最终会制约技术的选型，尤
其是数据存储的选型。例如，针对查询检索中的全文本搜索，
ElasticSearch会是最佳的选择，而针对统计分析，则因为统计分析涉及
到的运算，可能都是针对一列数据，例如针对销量进行求和运算，就是
针对销量这一整列的数据，此时，选择列式存储结构可能更加适宜。
在技术角度的分类中，严格地讲，SQL方式并不能分为单独的一类，它其
实可以看做是对API的封装，通过SQL这种DSL来包装具体的处理技术，从
而降低数据处理脚本的迁移成本。毕竟，多数企业内部的数据处理系统
，在进入大数据时代之前，大多以SQL形式来访问存储的数据。大体上，
SQL是针对MapReduce的包装，例如Hive、Impala或者Spark SQL。
Streaming流处理可以实时地接收由上游源源不断传来的数据，然后以某
个细小的时间窗口为单位对这个过程中的数据进行处理。消费的上游数
据可以是通过网络传递过来的字节流、从HDFS读取的数据流，又或者是
消息队列传来的消息流。通常，它对应的就是编程模型中的实时编程模
型。
机器学习与深度学习都属于深度分析的范畴。随着Google的AlphaGo以及
TensorFlow框架的开源，深度学习变成了一门显学。我了解不多，这里
就不露怯了。机器学习与常见的数据分析稍有不同，通常需要多个阶段
经历多次迭代才能得到满意的结果。下图是深度分析的架构图：
剖析大数据平台的数据处理-2
针对存储的数据，需要采集数据样本并进行特征提取，然后对样本数据
进行训练，并得到数据模型。倘若该模型经过测试是满足需求的，则可
以运用到数据分析场景中，否则需要调整算法与模型，再进行下一次的
迭代。
编程模型中的离线编程模型以Hadoop的MapReduce为代表，内存编程模型
则以Spark为代表，实时编程模型则主要指的是流处理，当然也可能采用
Lambda架构，在Batch Layer(即离线编程模型)与Speed Layer(实时编程
模型)之间建立Serving Layer，利用空闲时间与空闲资源，又或者在写
入数据的同时，对离线编程模型要处理的大数据进行预先计算(聚合)，
从而形成一种融合的视图存储在数据库中(如Hbase)，以便于快速查询或
计算。
不同的业务场景(业务场景可能出现混合)需要的数据处理技术不尽相同
，因而在一个大数据系统下可能需要多种技术(编程模型)的混合。
我们在为某厂商实施舆情分析时，根据客户需求，与数据处理有关的部
分就包括：语义分析、全文本搜索与统计分析。通过网络爬虫抓取过来
的数据会写入到Kafka，而消费端则通过Spark Streaming对数据进行去
重去噪，之后交给SAS的ECC服务器进行文本的语义分析。分析后的数据
会同时写入到HDFS(Parquet格式的文本)和ElasticSearch。同时，为了
避免因为去重去噪算法的误差而导致部分有用数据被“误杀”，在
MongoDB中还保存了一份全量数据。如下图所示：
剖析大数据平台的数据处理-3
Panoramix(现更名为Caravel)为Airbnb提供数据探查功能，并对结果进
行可视化，Airpal则是基于Web的查询执行工具，它们的底层都是通过
Presto对HDFS执行数据查询。Spark集群则为Airbnb的工程师与数据科学
家提供机器学习与流处理的平台。
行文至此，整个大数据平台系列的讲解就快结束了。最后，我结合数据
源、数据采集、数据存储与数据处理这四个环节给出了一个整体结构图
，如下图所示：
剖析大数据平台的数据处理-4