大數(shù)據(jù)做了這許多年，有沒有問過自己，大數(shù)據(jù)中，工作量最大和技術(shù)難度最高的，分別是什么呢？
我每天都在思考，思考很重要，是一個消化和不斷深入的過程。正如下面的一句話:
我們從出生開始如果沒思考過人生本身這件事情，一切按照社會的習(xí)慣前行，那人生是沒有意義的。因為你連人生都沒有想過。
那么延生出來，我們有沒有想過大數(shù)據(jù)本身？大數(shù)據(jù)到底是在做什么，為什么我做了這么多年的大數(shù)據(jù)，總是做不完呢？大數(shù)據(jù)本質(zhì)是：
隨著科學(xué)技術(shù)發(fā)展，更多的數(shù)據(jù)能夠被存儲了，能被分析了。所以有了大數(shù)據(jù)的概念。
機器學(xué)習(xí)的本質(zhì)是：
隨著數(shù)據(jù)變多了，量變導(dǎo)致質(zhì)變，數(shù)據(jù)足夠大后其內(nèi)部的隱含的規(guī)律會越來越精確和完整。機器學(xué)習(xí)則是將數(shù)據(jù)內(nèi)存存在的這種隱含關(guān)聯(lián)給挖掘出來的一項技術(shù)。
大數(shù)據(jù)最消耗工作量的地方是哪里呢？
目前百分之八十的工作量都在于數(shù)據(jù)收集 清理和校驗。 這個工作本身并不難，但是真的很繁瑣，很費力。
我們天天感嘆：
數(shù)據(jù)在哪里？如何收集
數(shù)據(jù)要怎么進行清洗
無效數(shù)據(jù)太多，如何去除
而讓我們心灰意冷的是當(dāng)一個新的需求來臨時，現(xiàn)有的數(shù)據(jù)形態(tài)似乎不能滿足需求，我們又要在現(xiàn)有的數(shù)據(jù)堆里，重新走數(shù)據(jù)收集，清理，校驗的流程。
這似乎是一種詛咒，如同可憐的西西弗斯，被判要將大石推上陡峭的高山，每次用盡全力，大石快要到頂時，石頭就會從其手中滑脫，又得重新推回去，幹著無止境的勞動。
大數(shù)據(jù)目前遇到的最大技術(shù)難點是什么？
是海量數(shù)據(jù)的ad-hoc查詢。當(dāng)Hadoop剛剛興起，我們可以通過它來操控越來越廉價的PC服務(wù)器價格，于是一種暴力彌漫了整個生態(tài)：
我們因為突然有了強大的算力，這就好比一個窮人突然有了一筆很大的錢。我們開始讓強大的算力駕著最低效的程序去跑數(shù)據(jù)，這是批處理時代的悲哀。
但是隨著查詢效率要求越來越高，我們不得不被迫做出改變。還記得我們以前的日志都是簡單的Raw文本嗎？ 現(xiàn)在各種存儲的格式慢慢開花結(jié)果：
Parquet, 數(shù)磚公司大力發(fā)展的一個存儲技術(shù)
ORC, Hive 常見的一種存儲格式
CarbonData, 華為推出的一套可支持PB級別的數(shù)據(jù)格式
總之，我們似乎沒有找到一個奇妙的技術(shù)解決查詢的問題，只能做某種折中：
為了加快查詢速度，數(shù)據(jù)存儲慢慢從早期的raw文本轉(zhuǎn)為具備向量化，帶索引，支持特定編碼和壓縮的列式存儲結(jié)構(gòu)，當(dāng)然這種通過調(diào)整存儲結(jié)構(gòu)的方式必然以消耗數(shù)據(jù)進入時的時間和資源為代價。
也就是我們在存儲和查詢之間做了妥協(xié)。
如何讓苦力干的更少
前面我們提及了，我們可能80%的工作都花在了數(shù)據(jù)的采集，清洗和校驗上了。但是我們該如何壓縮這部分的工作呢？
答案是：
流式計算
流式計算上層建筑
讓所有的計算流動起來，就會讓下面的事情變得簡單：
我們可以在已經(jīng)流動的數(shù)據(jù)中的任何一個環(huán)節(jié)引入一個新的支流。當(dāng)我要獲取數(shù)據(jù)時，我做的本質(zhì)其實就是 連接兩個或者多個節(jié)點，并且在其中對數(shù)據(jù)進行轉(zhuǎn)換。就如同河水，我們可以很方便的開一個支流，將水引入灌溉新的額農(nóng)田。
而且我們希望流式計算的實現(xiàn)是結(jié)合了流式和批量語義的。為什么呢？
看看華為在Storm上做的StreamCQL，就知道，很多情況實時流式是很有局限的，因為未來我們在流式上能做的事情會非常多：
數(shù)據(jù)處理
Ad-Hoc查詢
機器學(xué)習(xí)
報表
存儲輸出
這就需要一定的靈活性，因為只有在數(shù)據(jù)集上，才會有譬如Ad-Hoc查詢，才能高效的進行存儲，才能適應(yīng)一些機器學(xué)習(xí)算法。單條數(shù)據(jù)很多情況下，是沒有太大意義的。
這塊我一直是Spark Streaming的支持者。
那為啥我們需要一個流式計算上層建筑？ 我們回顧下問題，數(shù)據(jù)的ETL過程是個苦力活，消耗掉大量程序員的工作時間，那么為了減少這種時間，我們有兩個辦法：
將做些任務(wù)分散出去，使得每個人都可做，那么在總量不變的情況下，單個人就會變少了
提高每個人的工作效率
流式計算構(gòu)建了整個基礎(chǔ)，而其上的框架則使得上面兩點成為可能。
作者：祝威廉
來源：簡書
原文鏈接：http://www.jianshu.com/p/4e107fd0bd3b
本文系作者：
運營那些事兒
授權(quán)發(fā)表，鳥哥筆記平臺僅提供信息存儲空間服務(wù)。
本文為作者獨立觀點，不代表鳥哥筆記立場，未經(jīng)允許不得轉(zhuǎn)載。
《鳥哥筆記版權(quán)及免責(zé)申明》
如對文章、圖片、字體等版權(quán)有疑問，請點擊
反饋舉報
我們致力于提供一個高質(zhì)量內(nèi)容的交流平臺。為落實國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內(nèi)容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權(quán)，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結(jié)；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結(jié)社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權(quán)益；
11)通過網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應(yīng)，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負(fù)面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網(wǎng)站秩序的內(nèi)容，或進行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內(nèi)容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內(nèi)容；
2)存在事實夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構(gòu)或個人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對具體風(fēng)水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導(dǎo)用戶；
2)內(nèi)容與標(biāo)題之間存在嚴(yán)重不實或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴(yán)重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個用戶發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將依據(jù)相關(guān)用戶違規(guī)情節(jié)嚴(yán)重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗的不斷豐富，本網(wǎng)站出于維護本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)