【大数据技术基础】 课程 第1章 大数据技术概述 大数据基础编程、实验和案例教程（第2版）
第1章 大数据技术概述
1.1 大数据时代
这本书的标题是《大数据时代》，副标题为“生活、工作与思维的大变革”。这本书由维克托·迈尔-舍恩伯格（Viktor Mayer-Schönberger）和肯尼斯·库克耶（Kenneth Cukier）合著，由浙江人民出版社发行。这本书深入探讨了大数据如何改变我们的生活和工作方式，以及它对我们的思维方式带来的影响。书中讨论了大数据的潜力和挑战，以及如何在各个领域中利用大数据来获得洞察力和价值。这本书对于理解大数据的概念、应用和影响非常有帮助。
1.2 大数据关键技术
| 技术层面 | 功能 |
| 数据采集 | 利用ETL工具将分布的、异构数据源中的数据如关系数据、平面数据文件等，抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础；或者也可以把实时采集的数据作为流计算系统的输入，进行实时处理分析 |
| 数据存储和管理 | 利用分布式文件系统、数据仓库、关系数据库、NoSQL数据库、云数据库等，实现对结构化、半结构化和非结构化海量数据的存储和管理 |
| 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；对分析结果进行可视化呈现，帮助人们更好地理解数据、分析数据 |
| 数据隐私和安全 | 在从大数据中挖掘潜在的巨大商业价值和学术价值的同时，构建隐私数据保护体系和数据安全体系，有效保护个人隐私和数据安全 |
两大核心技术：
分布式存储和分布式处理。
分布式存储：
- 图中左侧部分描述了大数据如何被存储在分布式系统中。
- 包括的存储技术有：
- GFS/HDFS：Google File System/Hadoop Distributed File System，分布式文件系统，用于存储大规模数据。
- BigTable/HBase：分布式的、可扩展的大数据存储系统，用于处理大规模结构化数据。
- NoSQL：非关系型数据库，如键值、列族、图形、文档数据库，用于存储和管理非结构化或半结构化数据。
- NewSQL：新型关系数据库，如SQL Azure，旨在提供传统关系数据库的ACID特性和NoSQL数据库的水平扩展能力。
分布式处理：
- 图中右侧部分描述了大数据如何被处理。
- MapReduce：一种编程模型，用于大规模数据集的并行处理。它包括两个主要步骤：
- Map：将输入数据分割成键值对，并进行处理。
- Reduce：对Map步骤的输出进行汇总和进一步处理。
| 大数据计算模式 | 解决问题 | 代表产品 |
| 批处理计算 | 针对大规模数据的批量处理 | MapReduce、Spark等 |
| 流计算 | 针对流数据的实时计算 | Flink、Storm、S4、Flume、Streams、Puma、DStream、Super Mario、银河流数据处理平台等 |
| 图计算 | 针对大规模图结构数据的处理 | Pregel、GraphX、Giraph、PowerGraph、Hama、GoldenOrb等 |
| 查询分析计算 | 大规模数据的存储管理和查询分析 | Dremel、Hive、Cassandra、Impala等 |
1.3 大数据软件
| 大数据技术 | 大数据软件 |
| 数据采集 | Kafka |
| 数据存储与管理 | HDFS、HBase、Redis、MongoDB |
| 数据处理与分析 | MapReduce、Spark、Hive、Flink |
| 数据可视化 | D3、ECharts |
1.3.1 Hadoop
1.3.2 Spark
1.4 内容安排
1.5 本章小结
大数据技术是一个庞杂的知识体系，包含了大量相关技术和软件。在具体学习相关技术及其软件之前，非常有必要建立对大数据技术体系的整体性认识。因此，本章首先从总体上介绍了大数据关键技术和各类大数据软件。鉴于不同的大数据学习者有着不同的学习需求，为了方便读者迅速找到对应的学习章节，本章给出了本教程的整体内容安排。此外，与教程配套的相关资源的建设，是帮助读者更加有效、高效学习本教程的重要方面，因此，本章最后详细列出了与本教程配套的各种丰富的在线资源，全部可以通过网络自由免费访问。