目标

  1. 构建大批量数据的存储集群
  2. 实现大批量数据的分布式快速查询
  3. 提供基于大数据的模型离线或者在线分析抽取

实现方案

基于hadoop的大数据平台搭建地址

hadoop的安装目前已经极为简易化，以上地址的安装过程比较古老。

由于hadoop本身的计算机制决定了实时分析不是擅长的长项，对于数据仓库的应用，基于hive基础的Impala 从速度和数据质量方面还是能够比较让人满意的。而Greenplum也可以尝试下。

如果有着在线分析抽取模型的需求，Spark则是一个通用的解决方案，但是在数据质量上可能会有些问题。

以上几种系统hadoop用户大数据存储以及离线模型挖掘（搭配mahout算法库），impala可以基于hadoop提供较为实时的数据统计分析。同时搭建一套Spark集群用于即时模型抽取以及高响应需求的大数据分析。

注意问题

效益产出

大数据集群对于硬件消耗量极大，hadoop集群的硬盘损耗，spark系统的大容量内存需求，都是极为消耗资金。

如果大数据集群的投入无法产出对应的企业效益，不必刻意追求所谓技术的先进性。

计算资源分配与规划

此外，大数据集群如果搭建单一集群不做好虚拟化，很容易发生计算资源争抢，造成相对性的计算机资源不足。而多集群的情况下，固定计算资源的划分也有可能造成计算能力的非充分利用。所以，最好引入虚拟化技术，虽然有着相应的损耗，但是容易进行合适的计算分配反而能够更高的利用计算能力。

开发测试过程管理

搭建大数据集群后开发、测试的过程会相对变的复杂。

第一，大数据平台需要大的数据量，小批量数据往往能够完成功能开发需求，但是保证不了开发的应用质量，在面对超出开发时数量的数据时可能出现操作超时、内存溢出、硬盘IO占用不释放，超长网络传输连接等一系列问题。

第二，达到开发质量保证程度需要相当量的开发条件投入，当然，如果不怕影响生产环境的话也可以直接接入生产环境开发测试，不过这属于胆大妄为。

第三，测试人员对于数据质量的检查可能会无法达到百分之百，由于数据量巨大，有时候编写对应的测试方案甚至都能成为一种高深的技术。