大資料和雲端計算註定“糾纏不清”？

在PaaS層中一個複雜的通用應用就是大資料平臺。大資料是如何一步一步融入雲端計算的呢？

一開始這個大資料並不大。原來才有多少資料？現在大家都去看電子書，上網看新聞了，在我們80後小時候，資訊量沒有那麼大，也就看看書、看看報，一個星期的報紙加起來才有多少字？如果你不在一個大城市，一個普通的學校的圖書館加起來也沒幾個書架，是後來隨著資訊化的到來，資訊才會越來越多。

首先我們來看一下大資料裡面的資料，就分三種型別，一種叫結構化的資料，一種叫非結構化的資料，還有一種叫半結構化的資料。

• 結構化的資料：即有固定格式和有限長度的資料。例如填的表格就是結構化的資料，國籍：中華人民共和國，民族：漢，性別：男，這都叫結構化資料。

• 非結構化的資料：現在非結構化的資料越來越多，就是不定長、無固定格式的資料，例如網頁，有時候非常長，有時候幾句話就沒了；例如語音，影片都是非結構化的資料。

• 半結構化資料：是一些XML或者HTML的格式的，不從事技術的可能不瞭解，但也沒有關係。

其實資料本身不是有用的，必須要經過一定的處理。例如你每天跑步帶個手環收集的也是資料，網上這麼多網頁也是資料，我們稱為Data。資料本身沒有什麼用處，但資料裡面包含一個很重要的東西，叫做資訊（Information）。

資料十分雜亂，經過梳理和清洗，才能夠稱為資訊。資訊會包含很多規律，我們需要從資訊中將規律總結出來，稱為知識（Knowledge），而知識改變命運。資訊是很多的，但有人看到了資訊相當於白看，但有人就從資訊中看到了電商的未來，有人看到了直播的未來，所以人家就牛了。如果你沒有從資訊中提取出知識，天天看朋友圈也只能在網際網路滾滾大潮中做個看客。

有了知識，然後利用這些知識去應用於實戰，有的人會做得非常好，這個東西叫做智慧（Intelligence）。有知識並不一定有智慧，例如好多學者很有知識，已經發生的事情可以從各個角度分析得頭頭是道，但一到實幹就歇菜，並不能轉化成為智慧。而很多的創業家之所以偉大，就是透過獲得的知識應用於實踐，最後做了很大的生意。

所以資料的應用分這四個步驟：資料、資訊、知識、智慧。

最終的階段是很多商家都想要的。你看我收集了這麼多的資料，能不能基於這些資料來幫我做下一步的決策，改善我的產品。例如讓使用者看影片的時候旁邊彈出廣告，正好是他想買的東西；再如讓使用者聽音樂時，另外推薦一些他非常想聽的其他音樂。

使用者在我的應用或者網站上隨便點點滑鼠，輸入文字對我來說都是資料，我就是要將其中某些東西提取出來、指導實踐、形成智慧，讓使用者陷入到我的應用裡面不可自拔，上了我的網就不想離開，手不停地點、不停地買。

很多人說雙十一我都想斷網了，我老婆在上面不斷地買買買，買了A又推薦B，老婆大人說，“哎呀，B也是我喜歡的啊，老公我要買”。你說這個程式怎麼這麼牛，這麼有智慧，比我還了解我老婆，這件事情是怎麼做到的呢？

資料的處理分幾個步驟，完成了才最後會有智慧。

第一個步驟叫資料的收集。首先得有資料，資料的收集有兩個方式：

• 第一個方式是拿，專業點的說法叫抓取或者爬取。例如搜尋引擎就是這麼做的：它把網上的所有的資訊都下載到它的資料中心，然後你一搜才能搜出來。比如你去搜尋的時候，結果會是一個列表，這個列表為什麼會在搜尋引擎的公司裡面？就是因為他把資料都拿下來了，但是你一點連結，點出來這個網站就不在搜尋引擎它們公司了。比如說新浪有個新聞，你拿百度搜出來，你不點的時候，那一頁在百度資料中心，一點出來的網頁就是在新浪的資料中心了。

• 第二個方式是推送，有很多終端可以幫我收集資料。比如說小米手環，可以將你每天跑步的資料，心跳的資料，睡眠的資料都上傳到資料中心裡面。

第二個步驟是資料的傳輸。一般會透過佇列方式進行，因為資料量實在是太大了，資料必須經過處理才會有用。可系統處理不過來，只好排好隊，慢慢處理。

第三個步驟是資料的儲存。現在資料就是金錢，掌握了資料就相當於掌握了錢。要不然網站怎麼知道你想買什麼？就是因為它有你歷史的交易的資料，這個資訊可不能給別人，十分寶貴，所以需要儲存下來。

第四個步驟是資料的處理和分析。上面儲存的資料是原始資料，原始資料多是雜亂無章的，有很多垃圾資料在裡面，因而需要清洗和過濾，得到一些高質量的資料。對於高質量的資料，就可以進行分析，從而對資料進行分類，或者發現資料之間的相互關係，得到知識。

比如盛傳的沃爾瑪超市的啤酒和尿布的故事，就是透過對人們的購買資料進行分析，發現了男人一般買尿布的時候，會同時購買啤酒，這樣就發現了啤酒和尿布之間的相互關係，獲得知識，然後應用到實踐中，將啤酒和尿布的櫃檯弄的很近，就獲得了智慧。

第五個步驟是對於資料的檢索和挖掘。檢索就是搜尋，所謂外事不決問Google，內事不決問百度。內外兩大搜尋引擎都是將分析後的資料放入搜尋引擎，因此人們想尋找資訊的時候，一搜就有了。

另外就是挖掘，僅僅搜尋出來已經不能滿足人們的要求了，還需要從資訊中挖掘出相互的關係。比如財經搜尋，當搜尋某個公司股票的時候，該公司的高管是不是也應該被挖掘出來呢？如果僅僅搜尋出這個公司的股票發現漲的特別好，於是你就去買了，其實其高管發了一個宣告，對股票十分不利，第二天就跌了，這不坑害廣大股民麼？所以透過各種演算法挖掘資料中的關係，形成知識庫，十分重要。

當資料量很小時，很少的幾臺機器就能解決。慢慢的，當資料量越來越大，最牛的伺服器都解決不了問題時，怎麼辦呢？這時就要聚合多臺機器的力量，大家齊心協力一起把這個事搞定，眾人拾柴火焰高。

對於資料的收集：就IoT來講，外面部署這成千上萬的檢測裝置，將大量的溫度、溼度、監控、電力等資料統統收集上來；就網際網路網頁的搜尋引擎來講，需要將整個網際網路所有的網頁都下載下來。這顯然一臺機器做不到，需要多臺機器組成網路爬蟲系統，每臺機器下載一部分，同時工作，才能在有限的時間內，將海量的網頁下載完畢。

對於資料的傳輸：一個記憶體裡面的佇列肯定會被大量的資料擠爆掉，於是就產生了基於硬碟的分散式佇列，這樣佇列可以多臺機器同時傳輸，隨你資料量多大，只要我的佇列足夠多，管道足夠粗，就能夠撐得住。

對於資料的儲存：一臺機器的檔案系統肯定是放不下的，所以需要一個很大的分散式檔案系統來做這件事情，把多臺機器的硬碟打成一塊大的檔案系統。

對於資料的分析：可能需要對大量的資料做分解、統計、彙總，一臺機器肯定搞不定，處理到猴年馬月也分析不完。於是就有分散式計算的方法，將大量的資料分成小份，每臺機器處理一小份，多臺機器並行處理，很快就能算完。例如著名的Terasort對1個TB的資料排序，相當於1000G，如果單機處理，怎麼也要幾個小時，但並行處理209秒就完成了。

所以說什麼叫做大資料？說白了就是一臺機器幹不完，大家一起幹。可是隨著資料量越來越大，很多不大的公司都需要處理相當多的資料，這些小公司沒有這麼多機器可怎麼辦呢？

說到這裡，大家想起雲端計算了吧。當想要幹這些活時，需要很多的機器一塊做，真的是想什麼時候要就什麼時候要，想要多少就要多少。

例如大資料分析公司的財務情況，可能一週分析一次，如果要把這一百臺機器或者一千臺機器都在那放著，一週用一次非常浪費。那能不能需要計算的時候，把這一千臺機器拿出來；不算的時候，讓這一千臺機器去幹別的事情？

誰能做這個事兒呢？只有雲端計算，可以為大資料的運算提供資源層的靈活性。而云計算也會部署大資料放到它的PaaS平臺上，作為一個非常非常重要的通用應用。因為大資料平臺能夠使得多臺機器一起幹一個事兒，這個東西不是一般人能開發出來的，也不是一般人玩得轉的，怎麼也得僱個幾十上百號人才能把這個玩起來。

所以說就像資料庫一樣，其實還是需要有一幫專業的人來玩這個東西。現在公有云上基本上都會有大資料的解決方案了，一個小公司需要大資料平臺的時候，不需要採購一千臺機器，只要到公有云上一點，這一千臺機器都出來了，並且上面已經部署好了的大資料平臺，只要把資料放進去算就可以了。

雲端計算需要大資料，大資料需要雲端計算，二者就這樣結合了。

（未完待續......）