大数据概述

大数据的定义

大数据，指无法在可承受的时间范围内用常规软件进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

《第三次浪潮》-托夫勒>>大数据应用-麦肯锡>>《大数据时代》-舍恩伯格>>计算助理-谷歌>>国内规模化-阿里云

发展历程及特点

主要特征：4V

Volume 体积大
Variety 类型多
Value 有价值
Velocity 变化快

换个角度

大：数据体量大
杂：数据类型杂
全：数据完备性
多：来源维度多
快：增长变化快
久：积累时间长
活：在线随时用
简：简单易处理
稀：价值密度地
联：数据相关性

如何产生的？

为什么会有大数据？

移动互联网带来爆炸式的增长
数据作为资产其价值得到认可
存储和计算能力的飞速发展

大数据从哪来？
媒体数据、网络日志、公共设施、单位组织、大型设备、工业领域、地理位置、基因图谱

大数据的价值

解决四种问题

坐井观天
一叶障目
盲人摸象
城门鱼殃

提示两种能力

一叶知秋
运筹帷幄

大数据核心价值

洞察insight
预测predict

存储、计算与分析

分布式存储
分布式计算

数据分析

数据采集与处理
数据质量与管理
机器学习
数据可视化

大数据流行技术

Hadoop生态圈

阿里云体系

数加平台介绍

数加定位

计算引擎：离线计算流式计算在线计算

数加业务范围

分析型数据库

AnalyticDB产品介绍

OLAP：在线分析处理，以分析为主
OLTP：在线业务系统，以业务支撑为主
OLAP（On-Line Analytical Processing）是数据仓库的主要的应用，专门设计用于支持复杂的分析操作
主要概念：

维度：观察事物的角度（属性），即从哪些方面来观察
度量：也称为事实，即记录了一次实际的测量、购买等发生的事实，包含维度和测量值

MPP数据库

MMP（Massive Parallel Processing，大规模并行处理）：由多个耦合处理单元组成，每个单元拥有自己的CPU、内存、存储等，每个单元内部都有操作系统和管理数据库的实例副本，最大特点在于不共享资源

私有资源
分布式存储
分布式计算
任务并行执行
Share-nothing
横向扩展

分析型数据库AnalyticDB

产品特点

分档存储
自由查询
智能优化（基于历史的优化）
方便接口
分层安全
弹性多租户

基本概念

表组：是一系列可以发生关联的表的集合，是一个逻辑的概念。可分为普通表组和维度表组

表组特点：

表组是数据物理分配的最小单元
同表组内的表才可以快速hash join
同一个表组内的表共享一些配置
建议同表组中的表一级分区一致

MaxCompute

目标：

了解MaxCompute特点
掌握客户端工具的使用
掌握MaxCompute SQL
了解权限管理与项目空间保护

产品介绍

大数据计算服务（MaxCompute，原ODPS）提供针对TB/PB级数据、实时性要求不高的分布式处理能力，应用于数据分析、挖掘、商业智能等领域。
MaxCompute对象：

分区表指的是在创建表时指定分区键，即指定表内的某几个字段作为分区列。

在使用数据时如果指定了需要访问的分区名称，则只会读取相应的分区，避免全表扫描，提高处理效率，降低费用

其他概念：
任务（Task）：MaxCompute基本计算单元，SQL即MR都是通过任务完成的
实例（Instance）：任务的一个具体实例，表示实际运行的task
沙箱（SandBox）：按照安全策略限制程序行为的执行环境

不允许直接访问本地文件
不允许直接访问分布式文件系统
不允许JNI调用机制
不允许起子进程执行Linux命令
不允许获取本地IP地址
Java反射限制

数据类型：

架构介绍

连接使用

自带命令行工具MaxCompute Console
可视化客户端工具：Intelij Studio
Eclipse
管理控制台

数据上传和下载

主要方式有：

Tunnel 命令
Tunnel SDK
管理控制台
数据同步工具

这里主要介绍 Tunnel 命令
Tunnel 基本语法：tunnel <subcommand> [options] args
数据上传：tunnel upload [options] <path> <[project.]table[/partition]>
数据下载：tunnel download [options] <[project.]table[/partition]> <path>
几个重要参数：

关于分隔符：

支持多个字符的列分隔符和行分隔符
支持控制字符等不可见字符做分隔符
列分隔符不能包含行分隔符
转义字符分隔符，在命令行模式下只支持\r,\n和\t

sql组成：
DDL：数据库模式定义语言，关键字：create
DML：数据操纵语言，关键字：Insert、delete、update
DCL：数据库控制语言，关键字：grant、remove
DQL：数据库查询语言，关键字：select

DDL 介绍

基本语法：
建表：create table [if not exists] table_name
删表：drop table [if exists] table_name;
修改表名：alter table table_name rename to new_table_name;

表的生命周期：
生命周期（LifeCycle）：MaxCompute 表中的数据，从最后一次更新的时间算起，在经过指定的时间后没有变动，则此表将 MaxCompute 自动回收（删除）。此指定时间就是该MaxCompute 表的生命周期。

快捷建表 CTAS
两种谓语动词 like 和 as

CREATE TABLE < table_name> AS SELECT <column_list> FROM <table_name> WHERE...;
CREATE TABLE < table_name> LIKE <table_name>;

like 和 as 的区别：

数据
- as可以带入数据，可以依赖于多张表
- like只能复制单张表的表结构，不能带入数据
属性
- as不能带入LIFECYCLE、分区键信息、注释等
- LIKE不能带入LIFECYCLE、可以带入分区键信息、注释等

分区操作：
添加分区：alter table table_name add [if not exists] partition partition_spec
删除分区：alter table table_name drop [if exists] partition_spec

修改表属性：
添加列：alter table table_name add colums (col_name1 type1, col_name2 type2 ...)
改列名：alter table table_name change column old_col_name rename to new_col_name;
表注释：alter table table_name set comment 'tbl comment';
列注释：alter table table_name change column col_name comment 'comment';
生命周期：alter table table_name set lifecycle days;
修改时间：alter table table_name touch [partition(partition_col='partition_col_value', ...

视图操作：
创建视图：CREATE [OR REPLACE] VIEW [IF NOT EXISTS] view_name
删除视图：DROP VIEW [IF NOT EXISTS] view_name;
重命名视图：ALTER VIEW view_name RENAME TO new_view_name;

DML介绍

查询 SELECT

select [all | distinct] select_expr, select_expr, ...
  from table_reference
  [where where_condition]
  [group by col_list]
  [order by order_condition]
  [distribute by distribute_condition [sort by sort_condition] ]
  [limit number]

更新数据 INSERT INTO/OVERWEITE

输出到普通表或静态分区
insert overwrite | into table tablename [partition (partcol1=val1, partcol2=val2 ...)]
select_statement
from from_statement;

输出到动态分区
insert overwrite table tablename partition (partcol1, partcol2 ...)
select_statement from from_statement;

注：
如果目有多级分区，在运行insert语句时允许指定部分分区为静态，但是静态分区必须是高级分区
动态生成的分区值不可以为null

多路输出 MULTI INSERT

from from_statement
insert overwrite | into table tablename1 
[partition (partcol1=val1, partcol2=val2 ...)]
  select_statement1
[insert overwrite | into table tablename2 [partition ...]
  select_statement2]

多路输出的限制：
单个SQL里最多可以写出256路输出
对于分区表，同一个目标分区不可以出现多次
对于未分区表，该表不能作为目标表多次出现
对于同一张分区表的不同分区，不能同时有insert overwrite 和 insert into 操作

表关联 JOIN

MAPJOIN
使用情景：一个大表和一个或多个小表做join
基本原理：将用户指定的小表全部加载到执行join操作的程序的内存中，从而加快join的执行速度

分支表达式 CASE WHEN

两种 CASE WHEN 语法
CASE <value>
  WHEN <condition_1> then <result_1>
  WHEN <condition_2> then <result_2>
  ...
  else <result_n>
END

CASE
  WHEN <condition_1> then <result_1>
  WHEN <condition_2> then <result_2>
  ...
  else <result_n>
END

内置函数

值函数：数学运算函数、字符串处理函数、日期处理函数
窗口函数：常见统计量类、排名类、偏移定位类、分组抽样类
聚合函数：常见统计量类、字符串类
其他函数：类型转换函数、分支判断函数、其他

其它使用方式

用户自定函数（User Defined Function , UDF）

MapReduce

Graph

选择流程

大数据开发套件DataIDE

DataIDE 产品概述

大数据开发套件(DataIDE) 是阿里云数加重要的Paas平台产品，基于MaxCompute作为核心的计算、存储引擎，提供了海量数据的离线加工分析、数据挖掘的能力。提供全面托管的工作流服务，一站式开发管理的界面，帮助企业专注于数据价值的挖掘和探索。

全面托管的调度
多种任务类型
可视化开发
监控告警

数据开发流程

DataIDE应用场景

将业务系统产生的数据轻松上云，构建大型数据仓库和BI应用，利用MaxCompute强大的海量存储与数据处理能力
基于大数据开发套件快速使用和分析数据，将大数据加工结果导出后直接应用于业务系统，实现数据化运营
针对作业调度与运维的复杂性，大数据开发套件提供统一友好的调度系统和可视化调度运维界面，解决运维管理不便等问题

DataIDE基本概念

任务（Task）：对数据执行的操作，通常每个任务使用0或0个以上数据表（数据集）作为输入，生成一个或多个数据表（数据集）作为输出。DataIDE中任务主要分为三种：节点任务、工作流任务以及内部节点。
实例（Instance）：代表了某个任务在某时某刻执行的一个快照，包含任务的运行时间、运行状态运行日志等信息。在调度系统中的任务经过调度系统、手动触发运行后会生成一个实例。在DataIDE的调度系统自动调度的任务，会提前生成对应的实例。
提交（Submit）：提交指开发的节点任务、工作流任务从开发IDE环境发布到调度系统的过程。完成提交以后，相应的代码、调度配置全部合并到调度系统中，调度系统按照相关配置进行调度操作。未提交的节点任务、工作流任务不会进入到调度系统。

DataIDE中的角色