1數(shù)據(jù)采集
業(yè)務(wù)系統(tǒng)的埋點(diǎn)代碼時(shí)刻會(huì)產(chǎn)生一些分散的原始日志，可以用Flume監(jiān)控接收這些分散的日志，實(shí)現(xiàn)分散日志的聚合，即采集。
2數(shù)據(jù)清洗
1.一些字段可能會(huì)有異常取值，即臟數(shù)據(jù)。為了數(shù)據(jù)下游的"數(shù)據(jù)分析統(tǒng)計(jì)"能拿到比較高質(zhì)量的數(shù)據(jù)，需要對(duì)這些記錄進(jìn)行過濾或者字段數(shù)據(jù)回填。
2.一些日志的字段信息可能是多余的，下游不需要使用到這些字段做分析，同時(shí)也為了節(jié)省存儲(chǔ)開銷，需要?jiǎng)h除這些多余的字段信息。
3.一些日志的字段信息可能包含用戶敏感信息，需要做脫敏處理。如用戶姓名只保留姓，名字用'*'字符替換。
3數(shù)據(jù)存儲(chǔ)
清洗后的數(shù)據(jù)可以落地入到數(shù)據(jù)倉庫(Hive)，供下游做離線分析。如果下游的"數(shù)據(jù)分析統(tǒng)計(jì)"對(duì)實(shí)時(shí)性要求比較高，則可以把日志記錄入到kafka。
4數(shù)據(jù)分析統(tǒng)計(jì)
數(shù)據(jù)分析是數(shù)據(jù)流的下游，消費(fèi)來自上游的數(shù)據(jù)。其實(shí)就是從日志記錄里頭統(tǒng)計(jì)出各種各樣的報(bào)表數(shù)據(jù)，簡單的報(bào)表統(tǒng)計(jì)可以用sql在kylin或者h(yuǎn)ive統(tǒng)計(jì)，復(fù)雜的報(bào)表就需要在代碼層面用Spark、Storm做統(tǒng)計(jì)分析。一些公司好像會(huì)有個(gè)叫BI的崗位是專門做這一塊的。
5數(shù)據(jù)可視化
用數(shù)據(jù)表格、數(shù)據(jù)圖等直觀的形式展示上游"數(shù)據(jù)分析統(tǒng)計(jì)"的數(shù)據(jù)。一般公司的某些決策會(huì)參考這些圖表里頭的數(shù)據(jù)~
以上是小編整理的一些關(guān)于的大數(shù)據(jù)方向的一些基本問題，希望能對(duì)各位小白能有所幫助，歡迎各位來我們青島思途教育咨詢學(xué)習(xí)大數(shù)據(jù)課程！
Python語言編程的特點(diǎn)及其應(yīng)用