大数据

数据来源：1、主动获取  2、被动获取

　　　　技术选择：1、storm （官方的、淘宝的）：过来的数据要及时处理

　　　　　　　　　2、flume  ：缺陷：处理流数据非常慢，优势：对流可以实施多层过滤

　　　　　　　　　3、kafka  ：包括了flume的基本功能，对流的处理更快，缺陷：不能加过滤器（解决方案：flume+kafka）

　　　　　　　　　4、speak streaming：实时性不太高，性能相对稳定

技术方案：爬虫数据：1：存储  or 交给flume做分流             2、kafka处理后到存储介质          3、spark Streaming    4、ML/AI     5、SQL                 （备注:每种技术不是必须的，顺序不定）

数据存储：1、本地   2、关系型数据库（最慢：千万级数据之内）   3、hdfs  4、redis（数据缓冲，减缓数据处理压力）   5、kafak  6、Hbase  7、es  8、solr（不是结构化的数据）   维护者：AI

redis定期存储到HDFS   or   存储到kafka，通过flume写入到HDFS

 

Hbase：能不用尽量不用，开发维护的成本很高。优点：当集群足够大，roleKey匹配。替代者：小数据量：redis，数据量大：Cassandra+caidy   ，  cudu（原子操作）+inpala（亿级别，速度不快），presto（面向PB、TB级别：京东（有中文文档））

 

Hive（数据仓库）与数据库：仓库不支持修改（需要删除重新写）