文章目录
1. 软件在大数据方向的应用
Python：机器学习深度学习
java：Hadoop和Flink底层语言支持都是基于java
Scala：Spark框架
2. 大数据方向应用：
- 新基建和数字化转型助力大数据行业升级
- 欧美国家经过数字化转型，制造业成本减少20%-30%左右，营收增加20%-30%左右。物流成本降低30%，营收增加30%等等。
- 从传统物流到智慧物流的转变，通过手机物流数据，利用物流数据的手段普及到整个零售行业。
3. 大数据的应用流程
- 数据如何采集
- 数据如何储存
- 数据如何ETL（数据清洗）
- 数据分析——得到统计指标
- 数据挖掘——对已有的数据进行价值化的提取
- 数据报表展示——业务或数据的决策
例子：物流项目：
- 采集：仓储，物流管理系统、用户下单层面
- 存储：HDFS，HBase
- 数据清洗：缺失值，异常值
- 数据分析：统计各种指标
- 数据建模：通过机器学习模型达到预测，AI+大数据为物流行业赋能
- 数据报表展示：基于业务决策——物流智能选址
4. 传统数据分析的痛点：
当前数据类型包括以下三种：
- 半结构化：JSON，Xml
- 非结构化：视频、音频
- 结构化：Mysql
传统数据分析在应用过程中有以下痛点
Mysql+Oracle：无法解决非结构化数据，数据量增大如何处理
python数据分析
优势：Python生态中数据科学库完整，并有支持深度学习机器学习的库
劣势：Python生态数据分析框架，例如pandas，多数是基于单机版数据分析，对于分布式数据支持需要引入大数据框架，无法解决
传统数据分析瓶颈：当数据达到一定量级，传统数据库做的是纵向扩展，所以瓶颈是存在的。（当数据量超出存储能力时候，我们只能纵向增加内存，瓶颈永远存在）
大数据分析的优势
不同于传统的数据分析，大数据是通过廉价的PC机通过网络连接在一起，构建分布式的计算和分布式的存储。
大数据分析的特点有：
- 数据量大：GB-TB-ZB之间差别1024倍，数据呈现指数级别增长
- 数据种类多：结构化、半结构化和非结构化
- 速度快：
- 第一代计算引擎MR
- 第二代计算引擎Hive
- 第三代计算引擎Impala和Spark
- 第四代计算引擎Flink（阿里参与建设）
- Hive和Spark离线数据分析，而Flink是做实时数据分析的
- 价值密度低：在大数据基础上如何对数据进行价值化提取（全量级数据呈现指数增长，有价值数据呈现部分增长）有价值数据在总数据中比例低，所以我们需要机器学习算法对数据进行价值提取。
5. 大数据的应用流程与生态圈
数据如何采集
- Flume+Sqoop+Canal+DataX
数据如何储存
- HDFS+Hbase
数据如何ETL（数据清洗）
MapReduce
Spark
Flink
kylin
Impala
数据分析——得到统计指标
MapReduce
Spark
Flink
kylin
Impala
数据挖掘——对已有的数据进行价值化的提取
SparkMI
SparkMlib
Alink
数据报表展示——业务或数据的决策
BI
Apache SuperSet
6. 大数据技术框架应用
7. Flink框架应用
Apache Flink是一个用于分布式流和批处理数据处理的开源平台。Flink的核心是流数据流引擎，为数据流上的分布式计算提供数据分发、通信和容错。Flink在流引擎之上构建批处理，覆盖本机迭代支持，托管内存和程序优化。Flink核心思想与SparkStreaming类似，针对数据集的微批处理框架，在相对不高的延迟下(秒级)完成批量数据的近实时处理。
阿里巴巴16年，以9000w欧元的价格收购了在柏林的一家开源的流计算引擎的创业公司，从此开启Flink高速发展之路。19年，阿里内部的blink合入flink1.9版本中。
特性：
- 收集数据，按照时间进行微批数据的切分，并进行分布式处理，数据处理吞吐量大；
- 由于针对批次数据加工，相对延迟高于Storm，且无法完成实时事务性处理(例：银行即时转账等业务)。
Flink 官方文档：https://flink.apache.org/
8. Pyflink
将Flink的分布式能力赋予python，将python丰富的数据分析库，应用于Flink
为什么Spark和Flink等组件都纷纷支持Python语言？
- 当前有大量的Python语言流行度和Python的开发者
- Python在数据挖掘和机器学习方面常使用的语言
- 能够基于使用PySpark及PyFlink完成的对应数据分析和挖掘的项目任务
- Python+大数据组合（解决业务中还得重新学习Spark或Flink框架的问题）
- 通过Python结合Matplotlib完成数据的EDA(数据探索性分析)，同时我们可以通过Pyhon和Spark的结合PySpark完成SparkSql大数据分析和SparkMllib的大数据挖掘。
如何能够借助Python语言和大数据框架完成建模
借助Python的Django和Flask完成Web任务，通过Python的Scrapy完成数据爬虫工作
亦可通过Python的Numpy、Pandas和Matplotlib数据科学库完成数据分析任务
但当数据量增加内存无法加载大量数据计算的时候，可能需要Python和大数据框架的结合处理、分析和对数据进行建模
PySpark的SparkSql完成分布式计算任务，使用Python操作SparkMllib完成数据挖掘和机器学习任务
Python如何支持Flink：
Flink要做到，批处理（处理批量数据）和流处理（处理实时数据）的统一
DataStream API支持流计算；DataSet API支持批计算
- 1.9版本之后的PyFlink将PyFlink部署到PyPi上可以直接安装：
pip install apache-Flink
9. 搭建大数据Python知识体系
- 大数据技能
- java
- mysql，Oracle
- hadoop
- Nosql存储
- Flink技术栈
- Spark技术栈
- Python大数据分析技能
- 机器学习
- SparkML
- FlinkML
- PySpark——PyFlink分布式计算核心技能
- PySpark
- PyHive
- Kafka-Python
- PyFlink案例实战