大數(shù)據(jù)分析十八般工具

　　大數(shù)據(jù)分析是一個含義廣泛的術(shù)語，是指數(shù)據(jù)集，如此龐大而復(fù)雜的，他們需要專門設(shè)計的硬件和軟件工具進(jìn)行處理。該數(shù)據(jù)集通常是萬億或EB的大小。這些數(shù)據(jù)集收集自各種各樣的來源：傳感器，氣候信息，公開的信息，如雜志，報紙，文章。大數(shù)據(jù)分析產(chǎn)生的其他例子包括購買交易記錄，網(wǎng)絡(luò)日志，病歷，軍事監(jiān)控，視頻和圖像檔案，及大型電子商務(wù)。
 

　　大數(shù)據(jù)分析，他們對企業(yè)的影響有一個興趣高漲。大數(shù)據(jù)分析是研究大量的數(shù)據(jù)的過程中尋找模式，相關(guān)性和其他有用的信息，可以幫助企業(yè)更好地適應(yīng)變化，并做出更明智的決策。
 

一、Hadoop
 

　　Hadoop是一個開源框架，它允許在整個集群使用簡單編程模型計算機(jī)的分布式環(huán)境存儲并處理大數(shù)據(jù)。它的目的是從單一的服務(wù)器到上千臺機(jī)器的擴(kuò)展，每一個臺機(jī)都可以提供本地計算和存儲。
 

　　Hadoop 是一個能夠?qū)Υ罅繑?shù)據(jù)進(jìn)行分布式處理的軟件框架。但是 Hadoop 是以一種可靠、高效、可伸縮的方式進(jìn)行處理的。Hadoop 是可靠的，即使計算元素和存儲會失敗，它維護(hù)多個工作數(shù)據(jù)副本，確保能夠針對失敗的節(jié)點(diǎn)重新分布處理。Hadoop是高效的，它采用并行的方式工作，通過并行處理加快處理速度。Hadoop 還是可伸縮的，能夠處理 PB 級數(shù)據(jù)。此外，Hadoop 依賴于社區(qū)服務(wù)器，因此它的成本比較低，任何人都可以使用。

　　Hadoop是輕松架構(gòu)和使用的分布式計算平臺。用戶可以輕松地在Hadoop上開發(fā)和運(yùn)行處理海量數(shù)據(jù)的應(yīng)用程序。它主要有以下幾個優(yōu)點(diǎn)：
 

　　1、高可靠性。Hadoop按位存儲和處理數(shù)據(jù)的能力值得人們信賴。

　　2、高擴(kuò)展性。Hadoop是在可用的計算機(jī)集簇間分配數(shù)據(jù)并完成計算任務(wù)的，這些集簇可以方便地擴(kuò)展到數(shù)以千計的節(jié)點(diǎn)中。

　　3、高效性。Hadoop能夠在節(jié)點(diǎn)之間動態(tài)地移動數(shù)據(jù)，并保證各個節(jié)點(diǎn)的動態(tài)平衡，因此處理速度非常快。

　　4、高容錯性。Hadoop能夠自動保存數(shù)據(jù)的多個副本，并且能夠自動將失敗的任務(wù)重新分配。

　　Hadoop帶有用 Java 語言編寫的框架，因此運(yùn)行在 Linux 生產(chǎn)平臺上是非常理想的。Hadoop 上的應(yīng)用程序也可以使用其他語言編寫，比如 C++。
 

二、HPCC
 

　　HPCC，High Performance Computing and Communications(高性能計算與通信)的縮寫。1993年，由美國科學(xué)、工程、技術(shù)聯(lián)邦協(xié)調(diào)理事會向國會提交了"重大挑戰(zhàn)項目：高性能計算與通信"的報告，也就是被稱為HPCC計劃的報告，即美國總統(tǒng)科學(xué)戰(zhàn)略項目，其目的是通過加強(qiáng)研究與開發(fā)解決一批重要的科學(xué)與技術(shù)挑戰(zhàn)問題。HPCC是美國實施信息高速公路而上實施的計劃，該計劃的實施將耗資百億美元，其主要目標(biāo)要達(dá)到：開發(fā)可擴(kuò)展的計算系統(tǒng)及相關(guān)軟件，以支持太位級網(wǎng)絡(luò)傳輸性能，開發(fā)千兆比特網(wǎng)絡(luò)技術(shù)，擴(kuò)展研究和教育機(jī)構(gòu)及網(wǎng)絡(luò)連接能力。

　　該項目主要由五部分組成：

　　1、高性能計算機(jī)系統(tǒng)(HPCS)，內(nèi)容包括今后幾代計算機(jī)系統(tǒng)的研究、系統(tǒng)設(shè)計工具、先進(jìn)的典型系統(tǒng)及原有系統(tǒng)的評價等;

　　2、先進(jìn)軟件技術(shù)與算法(ASTA)，內(nèi)容有巨大挑戰(zhàn)問題的軟件支撐、新算法設(shè)計、軟件分支與工具、計算計算及高性能計算研究中心等;

　　3、國家科研與教育網(wǎng)格(NREN)，內(nèi)容有中接站及10億位級傳輸?shù)难芯颗c開發(fā);

　　4、基本研究與人類資源(BRHR)，內(nèi)容有基礎(chǔ)研究、培訓(xùn)、教育及課程教材，被設(shè)計通過獎勵調(diào)查者-開始的，長期的調(diào)查在可升級的高性能計算中來增加創(chuàng)新意識流，通過提高教育和高性能的計算訓(xùn)練和通信來加大熟練的和訓(xùn)練有素的人員的聯(lián)營，和來提供必需的基礎(chǔ)架構(gòu)來支持這些調(diào)查和研究活動;

　　5、信息基礎(chǔ)結(jié)構(gòu)技術(shù)和應(yīng)用(IITA )，目的在于保證美國在先進(jìn)信息技術(shù)開發(fā)方面的領(lǐng)先地位。
 

三、Storm

　　Storm是一個免費(fèi)開源、分布式、高容錯的實時計算系統(tǒng)。Storm令持續(xù)不斷的流計算變得容易，彌補(bǔ)了Hadoop批處理所不能滿足的實時要求。Storm經(jīng)常用于在實時分析、在線機(jī)器學(xué)習(xí)、持續(xù)計算、分布式遠(yuǎn)程調(diào)用和ETL等領(lǐng)域。Storm的部署管理非常簡單，而且，在同類的流式計算工具，Storm的性能也是非常出眾的。

　　Storm是自由的開源軟件，一個分布式的、容錯的實時計算系統(tǒng)。Storm可以非常可靠的處理龐大的數(shù)據(jù)流，用于處理Hadoop的批量數(shù)據(jù)。Storm很簡單，支持許多種編程語言，使用起來非常有趣。Storm由Twitter開源而來，其它知名的應(yīng)用企業(yè)包括Groupon、淘寶、支付寶、阿里巴巴、樂元素、Admaster等等。
 

　　Storm有許多應(yīng)用領(lǐng)域：實時分析、在線機(jī)器學(xué)習(xí)、不停頓的計算、分布式RPC(遠(yuǎn)過程調(diào)用協(xié)議，一種通過網(wǎng)絡(luò)從遠(yuǎn)程計算機(jī)程序上請求服務(wù))、 ETL(Extraction-Transformation-Loading的縮寫，即數(shù)據(jù)抽取、轉(zhuǎn)換和加載)等等。Storm的處理速度驚人：經(jīng)測試，每個節(jié)點(diǎn)每秒鐘可以處理100萬個數(shù)據(jù)元組。Storm是可擴(kuò)展、容錯，很容易設(shè)置和操作。
 

四、Apache Drill
 

　　為了幫助企業(yè)用戶尋找更為有效、加快Hadoop數(shù)據(jù)查詢的方法，Apache軟件基金會近日發(fā)起了一項名為"Drill"的開源項目。Apache Drill 實現(xiàn)了Google’s Dremel。"Drill"已經(jīng)作為Apache孵化器項目來運(yùn)作，將面向全球軟件工程師持續(xù)推廣。

　　該項目將會創(chuàng)建出開源版本的谷歌Dremel Hadoop工具(谷歌使用該工具來為Hadoop數(shù)據(jù)分析工具的互聯(lián)網(wǎng)應(yīng)用提速)。而"Drill"將有助于Hadoop用戶實現(xiàn)更快查詢海量數(shù)據(jù)集的目的。
 

　　"Drill"項目其實也是從谷歌的Dremel項目中獲得靈感：該項目幫助谷歌實現(xiàn)海量數(shù)據(jù)集的分析處理，包括分析抓取Web文檔、跟蹤安裝在Android Market上的應(yīng)用程序數(shù)據(jù)、分析垃圾郵件、分析谷歌分布式構(gòu)建系統(tǒng)上的測試結(jié)果等等。
 

　　通過開發(fā)"Drill"Apache開源項目，組織機(jī)構(gòu)將有望建立Drill所屬的API接口和靈活強(qiáng)大的體系架構(gòu)，從而幫助支持廣泛的數(shù)據(jù)源、數(shù)據(jù)格式和查詢語言。
 

五、RapidMiner
 

　　RapidMiner提供機(jī)器學(xué)習(xí)程序。而數(shù)據(jù)挖掘，包括數(shù)據(jù)可視化，處理，統(tǒng)計建模和預(yù)測分析。
 

　　RapidMiner是世界領(lǐng)先的數(shù)據(jù)挖掘解決方案，在一個非常大的程度上有著先進(jìn)技術(shù)。它數(shù)據(jù)挖掘任務(wù)涉及范圍廣泛，包括各種數(shù)據(jù)藝術(shù)，能簡化數(shù)據(jù)挖掘過程的設(shè)計和評價。

　　功能和特點(diǎn)
 

　　免費(fèi)提供數(shù)據(jù)挖掘技術(shù)和庫；100%用Java代碼(可運(yùn)行在操作系統(tǒng))；數(shù)據(jù)挖掘過程簡單，強(qiáng)大和直觀；內(nèi)部XML保證了標(biāo)準(zhǔn)化的格式來表示交換數(shù)據(jù)挖掘過程；可以用簡單腳本語言自動進(jìn)行大規(guī)模進(jìn)程；多層次的數(shù)據(jù)視圖，確保有效和透明的數(shù)據(jù)；圖形用戶界面的互動原型；命令行(批處理模式)自動大規(guī)模應(yīng)用；Java API(應(yīng)用編程接口)；簡單的插件和推廣機(jī)制；強(qiáng)大的可視化引擎，許多尖端的高維數(shù)據(jù)的可視化建模；400多個數(shù)據(jù)挖掘運(yùn)營商支持；耶魯大學(xué)已成功地應(yīng)用在許多不同的應(yīng)用領(lǐng)域，包括文本挖掘，多媒體挖掘，功能設(shè)計，數(shù)據(jù)流挖掘，集成開發(fā)的方法和分布式數(shù)據(jù)挖掘。

        RapidMiner的局限性；RapidMiner 在行數(shù)方面存在大小限制；對于RapidMiner，您需要比ODM和SAS更多的硬件資源。
 

六、Pentaho BI
 

　　Pentaho BI 平臺不同于傳統(tǒng)的BI 產(chǎn)品，它是一個以流程為中心的，面向解決方案(Solution)的框架。其目的在于將一系列企業(yè)級BI產(chǎn)品、開源軟件、API等等組件集成起來，方便商務(wù)智能應(yīng)用的開發(fā)。它的出現(xiàn)，使得一系列的面向商務(wù)智能的獨(dú)立產(chǎn)品如Jfree、Quartz等等，能夠集成在一起，構(gòu)成一項項復(fù)雜的、完整的商務(wù)智能解決方案。

　　Pentaho BI 平臺，Pentaho Open BI 套件的核心架構(gòu)和基礎(chǔ)，是以流程為中心的，因為其中樞控制器是一個工作流引擎。工作流引擎使用流程定義來定義在BI 平臺上執(zhí)行的商業(yè)智能流程。流程可以很容易的被定制，也可以添加新的流程。BI 平臺包含組件和報表，用以分析這些流程的性能。目前，Pentaho的主要組成元素包括報表生成、分析、數(shù)據(jù)挖掘和工作流管理等等。這些組件通過 J2EE、WebService、SOAP、HTTP、Java、JavaScript、Portals等技術(shù)集成到Pentaho平臺中來。 Pentaho的發(fā)行，主要以Pentaho SDK的形式進(jìn)行。
 

　　Pentaho SDK共包含五個部分：Pentaho平臺、Pentaho示例數(shù)據(jù)庫、可獨(dú)立運(yùn)行的Pentaho平臺、Pentaho解決方案示例和一個預(yù)先配制好的 Pentaho網(wǎng)絡(luò)服務(wù)器。其中Pentaho平臺是Pentaho平臺最主要的部分，囊括了Pentaho平臺源代碼的主體;Pentaho數(shù)據(jù)庫為 Pentaho平臺的正常運(yùn)行提供的數(shù)據(jù)服務(wù)，包括配置信息、Solution相關(guān)的信息等等，對于Pentaho平臺來說它不是必須的，通過配置是可以用其它數(shù)據(jù)庫服務(wù)取代的;可獨(dú)立運(yùn)行的Pentaho平臺是Pentaho平臺的獨(dú)立運(yùn)行模式的示例，它演示了如何使Pentaho平臺在沒有應(yīng)用服務(wù)器支持的情況下獨(dú)立運(yùn)行;
 

　　Pentaho解決方案示例是一個Eclipse工程，用來演示如何為Pentaho平臺開發(fā)相關(guān)的商業(yè)智能解決方案。
 

　　Pentaho BI 平臺構(gòu)建于服務(wù)器，引擎和組件的基礎(chǔ)之上。這些提供了系統(tǒng)的J2EE 服務(wù)器，安全，portal，工作流，規(guī)則引擎，圖表，協(xié)作，內(nèi)容管理，數(shù)據(jù)集成，分析和建模功能。這些組件的大部分是基于標(biāo)準(zhǔn)的，可使用其他產(chǎn)品替換之。
 

七、Druid

　　Druid是實時數(shù)據(jù)分析存儲系統(tǒng)，Java語言中最好的數(shù)據(jù)庫連接池。Druid能夠提供強(qiáng)大的監(jiān)控和擴(kuò)展功能。

八、Ambari
 

　　大數(shù)據(jù)平臺搭建、監(jiān)控利器;類似的還有CDH

　　1、提供Hadoop集群

　　Ambari為在任意數(shù)量的主機(jī)上安裝Hadoop服務(wù)提供了一個逐步向?qū)А?/p>

　　Ambari處理集群Hadoop服務(wù)的配置。

　　2、管理Hadoop集群

　　Ambari為整個集群提供啟動、停止和重新配置Hadoop服務(wù)的中央管理。

　　3、監(jiān)視Hadoop集群

　　Ambari為監(jiān)視Hadoop集群的健康狀況和狀態(tài)提供了一個儀表板。

九、Spark

　　大規(guī)模數(shù)據(jù)處理框架(可以應(yīng)付企業(yè)中常見的三種數(shù)據(jù)處理場景：復(fù)雜的批量數(shù)據(jù)處理(batch data processing);基于歷史數(shù)據(jù)的交互式查詢;基于實時數(shù)據(jù)流的數(shù)據(jù)處理，Ceph:Linux分布式文件系統(tǒng)。

十、Tableau Public

　　1、什么是Tableau Public - 大數(shù)據(jù)分析工具

　　這是一個簡單直觀的工具。因為它通過數(shù)據(jù)可視化提供了有趣的見解。Tableau Public的百萬行限制。因為它比數(shù)據(jù)分析市場中的大多數(shù)其他玩家更容易使用票價。使用Tableau的視覺效果，您可以調(diào)查一個假設(shè)。此外，瀏覽數(shù)據(jù)，并交叉核對您的見解。
 

　　2、Tableau Public的使用

　　您可以免費(fèi)將交互式數(shù)據(jù)可視化發(fā)布到Web;無需編程技能;發(fā)布到Tableau Public的可視化可以嵌入到博客中。此外，還可以通過電子郵件或社交媒體分享網(wǎng)頁。共享的內(nèi)容可以進(jìn)行有效硫的下載。這使其成為最佳的大數(shù)據(jù)分析工具。
 

　　3、Tableau Public的限制

　　所有數(shù)據(jù)都是公開的，并且限制訪問的范圍很小;數(shù)據(jù)大小限制;無法連接到[R ;讀取的唯一方法是通過OData源，是Excel或txt。
 

十一、OpenRefine

　　1、什么是OpenRefine - 數(shù)據(jù)分析工具

　　以前稱為GoogleRefine的數(shù)據(jù)清理軟件。因為它可以幫助您清理數(shù)據(jù)以進(jìn)行分析。它對一行數(shù)據(jù)進(jìn)行操作。此外，將列放在列下，與關(guān)系數(shù)據(jù)庫表非常相似。
 

　　2、OpenRefine的使用

　　清理凌亂的數(shù)據(jù);數(shù)據(jù)轉(zhuǎn)換;從網(wǎng)站解析數(shù)據(jù);通過從Web服務(wù)獲取數(shù)據(jù)將數(shù)據(jù)添加到數(shù)據(jù)集。例如，OpenRefine可用于將地址地理編碼到地理坐標(biāo)。
 

　　3、OpenRefine的局限性

　　Open Refine不適用于大型數(shù)據(jù)集;精煉對大數(shù)據(jù)不起作用
 

十二、KNIME

　　1、什么是KNIME - 數(shù)據(jù)分析工具

　　KNIME通過可視化編程幫助您操作，分析和建模數(shù)據(jù)。它用于集成各種組件，用于數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)。
 

　　2、KNIME的用途

　　不要寫代碼塊。相反，您必須在活動之間刪除和拖動連接點(diǎn);該數(shù)據(jù)分析工具支持編程語言;事實上，分析工具，例如可擴(kuò)展運(yùn)行化學(xué)數(shù)據(jù)，文本挖掘，蟒蛇，和[R 。
 

　　3、KNIME的限制

　　數(shù)據(jù)可視化不佳
 

十三、Google Fusion Tables
 

　　1、什么是Google Fusion Tables

　　對于數(shù)據(jù)工具，我們有更酷，更大版本的Google Spreadsheets。一個令人難以置信的數(shù)據(jù)分析，映射和大型數(shù)據(jù)集可視化工具。此外，Google Fusion Tables可以添加到業(yè)務(wù)分析工具列表中。這也是最好的大數(shù)據(jù)分析工具之一。
 

　　2、使用Google Fusion Tables

　　在線可視化更大的表格數(shù)據(jù);跨越數(shù)十萬行進(jìn)行過濾和總結(jié);將表與Web上的其他數(shù)據(jù)組合在一起；您可以合并兩個或三個表以生成包含數(shù)據(jù)集的單個可視化;
 

　　3、Google Fusion Tables的限制

　　表中只有前100,000行數(shù)據(jù)包含在查詢結(jié)果中或已映射;在一次API調(diào)用中發(fā)送的數(shù)據(jù)總大小不能超過1MB。
 

十四、NodeXL

　　1、什么是NodeXL

　　它是關(guān)系和網(wǎng)絡(luò)的可視化和分析軟件。NodeXL提供精確的計算。它是一個免費(fèi)的(不是專業(yè)的)和開源網(wǎng)絡(luò)分析和可視化軟件。NodeXL是用于數(shù)據(jù)分析的最佳統(tǒng)計工具之一。其中包括高級網(wǎng)絡(luò)指標(biāo)。此外，訪問社交媒體網(wǎng)絡(luò)數(shù)據(jù)導(dǎo)入程序和自動化。
 

　　2、NodeXL的用途

　　這是Excel中的一種數(shù)據(jù)分析工具，可幫助實現(xiàn)以下方面：

　　數(shù)據(jù)導(dǎo)入;圖形可視化;圖形分析;數(shù)據(jù)表示;該軟件集成到Microsoft Excel 2007,2010,2013和2016中。它作為工作簿打開，包含各種包含圖形結(jié)構(gòu)元素的工作表。這就像節(jié)點(diǎn)和邊緣;該軟件可以導(dǎo)入各種圖形格式。這種鄰接矩陣，Pajek .net，UCINet .dl，GraphML和邊緣列表。
 

　　3、NodeXL的局限性

　　您需要為特定問題使用多個種子術(shù)語;在稍微不同的時間運(yùn)行數(shù)據(jù)提取。
 

十五、Wolfram Alpha

　　1、什么是Wolfram Alpha

　　它是Stephen Wolfram創(chuàng)建的計算知識引擎或應(yīng)答引擎。
 

　　2、Wolfram Alpha的使用

　　是Apple的Siri的附加組件;提供技術(shù)搜索的詳細(xì)響應(yīng)并解決微積分問題;幫助業(yè)務(wù)用戶獲取信息圖表和圖形。并有助于創(chuàng)建主題概述，商品信息和高級定價歷史記錄。
 

　　3、Wolfram Alpha的局限性

　　Wolfram Alpha只能處理公開數(shù)字和事實，而不能處理觀點(diǎn);它限制了每個查詢的計算時間;這些數(shù)據(jù)分析統(tǒng)計工具有何疑問?
 

十六、Google搜索運(yùn)營商

　　1、什么是Google搜索運(yùn)營商

　　它是一種強(qiáng)大的資源，可幫助您過濾Google結(jié)果。這立即得到最相關(guān)和有用的信息。
 

　　2、Google搜索運(yùn)算符的使用

　　更快速地過濾Google搜索結(jié)果;Google強(qiáng)大的數(shù)據(jù)分析工具可以幫助發(fā)現(xiàn)新信息。
 

十七、Excel解算器

　　1、什么是Excel解算器

　　Solver加載項是Microsoft Office Excel加載項程序。此外，它在您安裝Microsoft Excel或Office時可用。它是excel中的線性編程和優(yōu)化工具。這允許您設(shè)置約束。它是一種先進(jìn)的優(yōu)化工具，有助于快速解決問題。
 

　　2、求解器的使用

　　Solver找到的最終值是相互關(guān)系和決策的解決方案;它采用了多種方法，來自非線性優(yōu)化。還有線性規(guī)劃到進(jìn)化算法和遺傳算法，以找到解決方案。
 

　　3、求解器的局限性

　　不良擴(kuò)展是Excel Solver缺乏的領(lǐng)域之一;它會影響解決方案的時間和質(zhì)量;求解器會影響模型的內(nèi)在可解性;
 

十八、Dataiku DSS

　　1、什么是Dataiku DSS

　　這是一個協(xié)作數(shù)據(jù)科學(xué)軟件平臺。此外，它還有助于團(tuán)隊構(gòu)建，原型和探索。雖然，它可以更有效地提供自己的數(shù)據(jù)產(chǎn)品。
 

　　2、Dataiku DSS的使用

　　Dataiku DSS - 數(shù)據(jù)分析工具提供交互式可視化界面。因此，他們可以構(gòu)建，單擊，指向或使用SQL等語言。
 

　　3、Dataiku DSS的局限性

　　有限的可視化功能;UI障礙：重新加載代碼/數(shù)據(jù)集;無法輕松地將整個代碼編譯到單個文檔/筆記本中;仍然需要與SPARK集成
 

　　以上的工具只是大數(shù)據(jù)分析所用的部分工具，小編就不一一列舉了，下面把部分工具的用途進(jìn)行分類：
 

　　1、前端展現(xiàn)

　　用于展現(xiàn)分析的前端開源工具有JasperSoft，Pentaho, Spagobi, Openi, Birt等等。

　　用于展現(xiàn)分析商用分析工具有Style Intelligence、RapidMiner Radoop、Cognos, BO, Microsoft Power BI, Oracle,Microstrategy,QlikView、 Tableau 。

　　國內(nèi)的有BDP，國云數(shù)據(jù)(大數(shù)據(jù)分析魔鏡)，思邁特，F(xiàn)ineBI等等。
 

　　2、數(shù)據(jù)倉庫

　　有Teradata AsterData, EMC GreenPlum, HP Vertica 等等。
 

　　3、數(shù)據(jù)集市

　　有QlikView、 Tableau 、Style Intelligence等等。