如何创建一个大数据平台

如何创建一个大数据平台

一般使用开源版的Redhat系统--CentOS作为底层平台。为了提供稳定的硬件基础，在给硬盘做RAID和挂载数据存储节点的时，需要按情况配置。例如，可以选择给HDFS的namenode做RAID2以提高其稳定性，将数据存储与操作系统分别放置在不同硬盘上，以确保操作系统的正常运行。

1、linux系统安装

国内外的分布式系统的大多使用的是Hadoop系列开源系统。Hadoop的核心是HDFS，一个分布式的文件系统。在其基础上常用的组件有Yarn、Zookeeper、Hive、Hbase、Sqoop、Impala、ElasticSearch、Spark等。

1）使用者众多，很多bug可以在网上找的答案（这往往是开发中最耗时的地方）。

2）开源组件一般免费，学习和维护相对方便。

3）开源组件一般会持续更新，提供必要的更新服务当然还需要手动做更新操作

4）因为代码开源，若出bug可自由对源码作修改维护。

先说下使用开源组件的优点：

分布式集群的资源管理器一般用Yarn，全名是Yet Another Resource Negotiator

常用的分布式数据数据仓库有Hive、Hbase。Hive可以用SQL查询但效率略低，Hbase可以快速『近实时』读取行。

外部数据库导入导出需要用到Sqoop。Sqoop将数据从Oracle、MySQL等传统数据库导入Hive或Hbase。

Zookeeper是提供数据同步服务，Yarn和Hbase需要它的支持。

Impala是对hive的一个补充，可以实现高效的SQL查询。

ElasticSearch是一个分布式的搜索引擎。

针对分析，目前最火的是Spark，此处忽略其他，如基础的MapReduce 和 Flink。Spark在core上面有ML lib，Spark Streaming、Spark QL和GraphX等库，可以满足几乎所有常见数据分析需求。

2、分布式计算平台/组件安装

前面提到，数据导入的工具是Sqoop。用它可以将数据从文件或者传统数据库导入到分布式平台『一般主要导入到Hive，也可将数据导入到Hbase』。

3、数据导入

数据预处理是为后面的建模分析做准备，主要工作时从海量数据中提取可用特征，建立大宽表。这个过程可能会用到Hive SQL，Spark QL和Impala。

数据预处理

数据建模分析是针对预处理提取的特征/数据建模，得到想要的结果。如前面所提到的，这一块最好用的是Spark。常用的机器学习算法，如朴素贝叶斯、逻辑回归、决策树、神经网络、TFIDF、协同过滤等，都已经在ML lib里面，调用比较方便。

数据建模分析

数据分析一般包括两个阶段：数据预处理和数据建模分析。

4、数据分析

可视化一般式对结果或部分原始数据做展示。一般有两种情况，行数据展示，和列查找展示。在这里，要基于大数据平台做展示，会需要用到ElasticSearch和Hbase。Hbase提供快速『ms级别』的行查找。ElasticSearch可以实现列索引，提供快速列查找。

5、结果可视化及输出API

整体而言，大数据平台从平台部署和数据分析过程可分为如下几步

大数据平台相对于超算确实廉价，但是配置还是必须高于家用电脑的。

结论

理论上来说，稳定性是分布式系统最大的优势，因为它可以通过多台机器做数据及程序运行备份以确保系统稳定。但也由于大数据平台部署于多台机器上，配置不合适，也可能成为最大的问题。曾经遇到的一个问题是Hbase经常挂掉，主要原因是采购的硬盘质量较差。硬盘损坏有时会到导致Hbase同步出现问题，因而导致Hbase服务停止。由于硬盘质量较差，隔三差五会出现服务停止现象，耗费大量时间。

1、稳定性 Stability

如何快速扩展已有大数据平台，在其基础上扩充新的机器是云计算等领域应用的关键问题。（规模的扩展和能力的扩展）在实际2B的应用中，有时需要增减机器来满足新的需求。如何在保留原有功能的情况下，快速扩充平台是实际应用中的常见问题。

2、可扩展性 Scalability

平台搭建主要问题： 

大数据分析平台的建设流程