一. 大数据的概念
大数据是指利用常用软件工具捕获，管理和处理数据所耗时间超过可容忍时间的数据集。（来源：维基百科）
二. 大数据4V特征
Volume：体量巨大
Velocity：处理速度快
Variety：类型繁多（结构化，半结构化，非结构化）
Value：价值密度低
三. 大数据主流技术
◇数据采集预处理
flume可以进行流式日志数据的收集
sqoop可以交互关系型数据库，进行导入导出数据
使用爬虫技术，可以在网上爬取海量网页数据
◇数据存储与管理
大数据利用分布式文件系统HDFS、HBase、Hive，实现对结构化、半结构化和非结构化数据的存储和管理。
◇数据处理与分析
利用分布式并行编程模型和计算框架，结合机器学习和数据挖掘算法，实现对海量数据的处理和分析。
四. 大数据应用
 
五. 场景化解决方案：
1. 离线批处理
1.1 概念：
离线批处理，是指对海量历史数据进处理和分析，生成结果数据，供下一步数据应用使用的过程。离线批处理对数据处理的时延要求不高，但是处理的数据量较大，占用的计算存储资源较多，通常通过MR作业、Spark作业或者HQL作业实现。
1.2 特点：
处理时间要求不高；
处理数据量巨大；
处理数据格式多样；
占用计算存储资源多。
1.3 流程图
 

2. 实时检索
2.1 概念：
实时检索简而言之就是对系统内的一些信息根据关键词进行即时、快速搜索，实现即搜即得的效果。强调的是实时低延迟。

2.2 核心诉求
检索性能要求高
高并发查询
数据量大
支持结构化和非结构化
高效的数据加载
支持图检索
2.3流程图
 


3. 实时流处理
3.1 概念：
实时流处理，通常是指对实时数据源进行快速分析，迅速触发下一步动作的场景。实时数据对分析处理速度要求极高，数据处理规模巨大，对CPU和内存要求很高，但是通常数据不落地，对存储量要求不高。实时处理，通常通过Structured Streaming或者Flink任务实现。

3.2 诉求：
处理数据快
高吞吐量
抗震性强
可靠性高
水平扩展
多数据源支持
数据权限和资源隔离
第三方工具对接
3.3 流程图
 

4.融合数仓
4.1概念：
在数据慢慢呈现数据处理量大、数据处理时延低、数据处理格式多样的要求下，基于模块化存储的数据仓库重要性日益增加，但同时也带来了新的问题。随着精准营销、客户画像、互联网平台等业务的上线，需要引入非结构化数据，以及提升对实时数据的计算处理能力，需要建立大数据平台满足上述业务需求。

4.2诉求
数据统一存储
减少数据孤岛和冗余
一集成（旧业务和新业务可以无缝集成）
大集群
4.3流程图