图 1-1大数据开发通用步骤图

上图只是一个简化后的步骤和流程，实际开发中，有的步骤可能不需要，有的还需要增加步骤，有的流程可能更复杂，因具体情况而定。

下面以Google搜索引擎为例，来说明以上步骤。

大数据采集

Google的数据来源于互联网上的网页，它们由Google Spider(蜘蛛、爬虫、机器人)来抓取，抓取的原理也很简单，就是模拟我们人的行为，来访问各个网页，然后保存网页内容。

Google Spider是一个程序，运行在全球各地的Google服务器之中，Spider们非常勤奋，日夜不停地工作。点击领取免费资料及课

2008年Google数据表明，它们每天都会访问大约200亿个网页，而在总量上，它们追踪着300亿个左右的独立URL链接。

可以说，只要是互联网上的网站，只要没有在robots.txt文件禁止Spider访问的话，其网页基本上都会在很短的时间内，被抓取到Google的服务器上。

全球的网页，这是典型的大数据。因此，Google Spider所做的就是典型的大数据采集工作。

大数据预处理

Google Spider爬取的网页，无论是从格式还是结构等，都不统一，为了便于后续处理，需要先做一些处理，例如，在存储之前，先转码，使用统一的格式对网页进行编码，这些工作就是预处理。

如果你想要学好大数据最好加入一个好的学习环境，可以来这个Q群529867072 这样大家学习的话就比较方便，还能够共同交流和分享资料

大数据存储

网页经过预处理后，就可以存储到Google的服务器上。

2008年，Google已经索引了全世界1万亿个网页，到2014年，这个数字变成了30万亿个。

为了减少开销，节约空间，Google将多个网页文件合并成一个大文件，文件大小通常在1GB以上。

这还是15年以前的数字，那时，主流台式机硬盘也就是60GB左右，1GB的文件在当时可以说是大文件了。

为了实现这些大文件高效、可靠、低成本存储，Google发明了一种构建在普通商业机器之上的分布式文件系统：Google File System，缩写为GFS，用来存储文件(又称之为非结构化数据)。

网页文件存储下来后，就可以对这些网页进行处理了，例如统计每个网页出现的单词以及次数，统计每个网页的外链等等。

这些被统计的信息，就成为了数据库表中的一个属性，每个网页最终就会成为数据库表中的一条或若干条记录。

由于Google存储的网页太多，30万亿个以上，因此，这个数据库表也是超级庞大的，传统的数据库，像Oracle等，根本无法处理这么大的数据，因此Google基于GFS，发明了一种存储海量结构化数据(数据库表)的分布式系统Bigtable。

上述两个系统(GFS和Bigtable)并未开源，Google仅通过文章的形式，描述了它们的设计思想。

所幸的是，基于Google的这些设计思想，时至今日，已经出现了不少开源海量数据分布式文件系统，如HDFS等，也出现了许多开源海量结构化数据的分布式存储系统，如Hbase、Cassandra等，它们分别用于不同类型大数据的存储。

总之，如果采集过来的大数据需要存储，要先判断数据类型，再确定存储方案选型;

如果不需要存储(如有的流数据不需要存储，直接处理)，则直接跳过此步骤，进行处理。

大数据处理

网页存储后，就可以对存储的数据进行处理了，对于搜索引擎来说，主要有3步：

1)单词统计：统计网页中每个单词出现的次数;

2)倒排索引：统计每个单词所在的网页URL(Uniform Resource Locator统一资源定位符，俗称网页网址)以及次数;

3)计算网页级别：根据特定的排序算法，如PageRank，来计算每个网页的级别，越重要的网页，级别越高，以此决定网页在搜索返回结果中的排序位置。

例如，当用户在搜索框输入关键词“足球”后，搜索引擎会查找倒排索引表，得到“足球”这个关键词在哪些网页(URL)中出现，然后，根据这些网页的级别进行排序，将级别最高的网页排在最前面，返回给用户，这就是点击“搜索”后，看到的最终结果。

大数据处理时，往往需要从存储系统读取数据，处理完毕后，其结果也往往需要输出到存储。因此，大数据处理阶段和存储系统的交互非常频繁。

大数据可视化

大数据可视化是将数据以图形的方式展现出来，与纯粹的数字表示相比，图形方式更为直观，更容易发现数据之间的规律。

例如，Google Analytics是一个网站流量分析工具，它统计每个用户使用搜索引擎访问网站的数据，然后得到每个网站的流量信息，包括网站每天的访问次数，访问量最多的页面、用户的平均停留时间、回访率等，所有数据都以图形的方式，直观地显示出来，如图1-2所示

图1-2 Google网站访问量分析图