Stay foolish：初学者轻松了解“大数据”

　　网络上流传着这么的一句流行语："万事不懂问度娘"。自从有了各种搜索引擎，新名词新技术对大众而言，已不再神秘。然而，当你搜索"大数据"或者"big data solution"等关键字时，搜索出的海量相关知识铺天盖地，对初学者而言，仍然很难在短时间内入门。本文目的，是以傻瓜式提问的方式让初学者轻松的了解"大数据"。

　　大数据的概念

　　"大数据"，是不是----数据很大就叫大数据？

　　实际上简单的这样理解也没有错，在明确定义时，会比较强调大数据的4个V的特性： Volume，Variety，Value，Velocity。也就是：

　　一、数据存储空间占用大（至PB及以上级别）；

　　二、数据类型繁多；

　　三、价值密度低；

　　四、处理速度快。

　　搜索的信息中，你会发现有某些名词出现的频率非常高，心里也随之会产生一些疑问。"PB是多大？""Map-Reduce是啥？""Hadoop是啥？""大数据跟云计算啥关系？跟传统意义的数据库啥关系？"等等。

　　这么多的信息量，我们还是按照大数据的基本定义，四个V来逐一梳理吧。

　　从第一个V开始，Volume。

　　数据量很大，到底能达到什么程度呢？先来学习一下数量级的知识吧。

　　1KB（Kilobyte 千字节） = 2^10 B = 1024 B；

　　1MB（Megabyte 兆字节） = 2^10 KB = 1024 KB = 2^20 B；

　　1GB（Gigabyte 吉字节） = 2^10 MB = 1024 MB = 2^30 B；

　　1TB（Trillionbyte 太字节） = 2^10 GB = 1024 GB = 2^40 B；

　　1PB（Petabyte 拍字节） = 2^10 TB = 1024 TB = 2^50 B；

　　1EB（Exabyte 艾字节） = 2^10 PB = 1024 PB = 2^60 B；

　　1ZB（Zettabyte 泽字节） = 2^10 EB = 1024 EB = 2^70 B；

　　1YB（YottaByte 尧字节） = 2^10 ZB = 1024 ZB = 2^80 B；

　　1BB（Brontobyte ） = 2^10 YB = 1024 YB = 2^90 B；

　　1NB（NonaByte ） = 2^10 BB = 1024 BB = 2^100 B；

　　1DB（DoggaByte） = 2^10 NB = 1024 NB = 2^110 B；

　　……

　　"哇！坑爹啊，整出这么多名词，跟大数据都有关系吗？需要我们掌握吗？"别激动！其实，KB，MB，GB我们在日常电脑操作中已经经常碰到了。甚至TB级的大硬盘，也已经应用于家用电脑中了。我们所说的"大数据"，目前大多产品还处在了立足PB展望EB的级别。后面的那些什么ZB、YB、BB、NB、 DB……等，就暂时先当他们是浮云吧~

　　第二个V， Variety。

　　关于这一点，百度百科里是这么说的"网络日志、视频、图片、地理位置信息等等"。从专业一点的角度，我们可以说"大数据"中，可以有结构化数据，但更多的是大量的非结构化和半结构化数据。

　　结构化和非结构化数据是什么意思？

　　结构化数据是指，可以存储在数据库里，可以用二维表结构来逻辑表达实现的数据。

　　非结构化数据，是指不方便用数据库二维逻辑表来表现的数据，包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等。

　　而半结构化数据，就是介于完全结构化数据（如关系型数据库、面向对象数据库中的数据）和完全无结构的数据（如声音、图像文件等）之间的数据，HTML文档就属于半结构化数据。它一般是自描述的，数据的结构和内容混在一起，没有明显的区分。

　　上述的描述，其实还是有点不明确。用数据模型的列表来看，区别就更清晰一点了：

　　第三个V，Value。

　　价值密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。

　　第四个V，Velocity。

　　处理速度快。如此庞大的数据量，需要在短时间内迅速响应。所使用的技术，当然是有别于传统的数据挖掘技术的。

　　释疑解惑

　　"梳理完了四个V，咋还是云山雾罩的呢？"

　　下面来回答几个初学者可能思考到的问题吧！

　　针对大数据的四个V，有没有什么对应的技术来应对呢？

　　目前，查询"大数据"，你会发现度娘给出的各种信息中，Hadoop这个词出现的很频繁。而且，很多厂商提供的产品，也都会打上一个标签："**产品已经并入Hadoop分布式计算平台，以及将Hadoop引入**产品。"

　　什么是Hadoop？

　　Hadoop是由Apache基金会开发的一个分布式系统基础架构。它是一个能够对大量数据进行分布式处理的软件框架。用户可以在不了解分布式底层细节的情况下，开发分布式程序，充分利用集群的威力高速运算和存储。

　　Hadoop包含了如下子项目：

　　1. Hadoop Common： 在0.20及以前的版本中，包含HDFS、MapReduce和其他项目公共内容，从0.21开始HDFS和MapReduce被分离为独立的子项目，其余内容为Hadoop Common

2. HDFS： Hadoop 分布式文件系统 （Distributed Fi