随着互联网信息化应用的普及，越来越多的企业和机构拥有海量数据。这些数据的采集和分析大多依托于大数据平台。数据从采集到分析最后再形成结果以及可视化模型，中间经历复杂的大数据处理过程。下面主要介绍大数据处理的基本过程和方法，以及当前普适的大数据平台。

　　大数据处理的过程一般分为4个步骤。

　　1. 数据采集

　　数据采集，主要是指通过某种方式搜集数据并存入数据库中，并且用户可以通过数据库进行简单的查询和处理工作。例如，电商平台使用传统的关系型数据库（MySQL、Oracle等）存储每一笔事务数据，或采用Redis或MongoDB等NoSQL类型的数据库。下面介绍几种常见的数据采集方法。

　　（1）系统日志采集方法

　　大型的互联网企业一般都会开发自己的数据采集工具，大多用于日志数据的采集。如Hadoop的Chukwa、Cloudera的Flume、Facebook的Scribe等，这些工具均采用分布式架构，能满足每秒数百兆字节的日志数据采集和传输需求。

　　（2）网络数据采集方法

　　网络数据采集是指通过网络爬虫或网站公开API等方式从网站上获取数据信息。该方法可以将非结构化数据从网页中抽取出来，将其存储为统一的本地数据文件，并以结构化的方式存储。它支持图片、音频、视频等文件或附件的采集，附件与正文可以自动关联。

　　（3）特定的数据采集方法

　　对于企业生产经营数据或学科研究数据等保密性要求较高的数据，可以通过与企业或研究机构合作，使用特定系统接口等相关方式采集数据；也可采用特定的传感器获取指定的数据，再加密传输到数据库中。

　　2. 数据预处理

　　由于数据搜集途径多样、数据种类繁多，采集的数据具有多源异构特性，并且同时存在数据不完整、有噪声、不一致等情况。因此，将搜集的数据进行统计分析或利用数据挖掘算法建模，均需要数据清洗，即统一数据格式、提高数据质量，进而提升数据挖掘效果。

　　数据预处理的方法主要包括：数据清洗，用于去除噪声数据；数据集成，将多个数据源中的数据融合集中到一致的数据存储中；数据变换，把原始数据转换成为适合数据挖掘的形式；数据规约，包括数据聚类、维度归约、数据压缩、数值归约、离散量化等。

　　3. 数据统计分析

　　统计与分析主要利用分布式数据库，或分布式计算集群来汇总分析海量数据，以满足后续的数据挖掘需求。常见的结构化关系数据实时统计分析工具，包括 EMC 的 GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等；而其他半结构化数据处理或非关系型批处理等则可应用Hadoop。

　　4. 数据挖掘与机器学习

　　在数据统计分析的基础上，数据挖掘通过对数据实施高级分析与建模运算，借助机器学习模型，最终形成数据处理的智能决策。代表性的数据挖掘算法有K-means 聚类、SVM 预测、Na?ve Bayes分类等，大数据挖掘的集成平台有Hadoop的Mahout等。自AlphaGo问世以来，深度学习开始应用到各行各业的大数据领域，Google 推出的深度学习集成平台TensorFlow，极大降低了大数据应用深度学习的门槛。

　　诸如淘宝、12306 等大平台的并发量极大，采用分布式大数据架构。当前常用的大数据分布式平台主要有Hadoop和Spark。

　　Apache Hadoop是一款支持数据密集型分布式集群计算应用开源软件框架，基于Google公司提出的MapReduce和GFS文件系统。Hadoop框架可为应用提供透明可靠的数据分布式处理，即MapReduce编程范式：应用程序被分区成许多小部分，每个部分都能在集群中的任意节点上运行。同时，Hadoop 还提供了分布式文件系统，用以存储所有计算节点的数据。MapReduce和分布式文件系统的设计，使Hadoop框架能够自动处理节点故障，应用程序能与成千上万具有独立运算的计算机共享数据。整个Apache Hadoop平台包括Hadoop内核、MapReduce、Hadoop分布式文件系统（HDFS），以及Hive、HBase等数据处理工具。

　　Apache Spark也是一个开源簇运算框架，最初由加州大学伯克利分校的AMPLab开发。Hadoop的MapReduce节点需在运行完任务后将数据存放到磁盘中，Spark则使用了存储器内存运算技术，能在数据尚未写入硬盘时即在存储器内完成运算。Spark 在存储器内运行程序的速度比MapReduce 的运算速度快 100 多倍，即便在硬盘上运行程序，Spark 也能比MapReduce快10倍以上。Spark允许用户将数据加载至簇存储器，并多次对其进行查询，尤其适合用于机器学习算法。

　　Spark支持独立模式（本地Spark簇）、Hadoop YARN或Apache Mesos的簇管理模式，可以和HDFS、Cassandra、OpenStack Swift和Amazon S3等分布式存储系统对接。Spark也支持伪分布式（Pseudo-Distributed）本地模式，不过通常只用于开发或测试时以本机文件系统替换分布式存储系统。