为了满足企业对于数据的各种需求，需要基于大数据技术构建大数据平台。结合大数据在企业的实际应用场景，如下图所示的大数据平台架构所示：

 最上层为应用提供数据服务与可视化，解决企业实际问题。第2层是大数据处理核心，包含数据离线处理和实时处理、数据交互式分析以及机器学习与数据挖掘。第3 层是资源管理，为了支撑数据的处理，需要统一的资源管理与调度。第4层是数据存储，存储是大数据的根基，大数据处理框架都构建在存储的基础之上。第5层是数据获取，无论是数据存储还是数据处理，前提都是快速、高效地获取数据。

一、数据获取

大数据技术的核心是众多数据中挖掘价值，第一步需要做的就是弄清楚有什么样的数据、如何获取数据。在企业运行的过程中，特别是互联网企业，会产生各种各样的数据，如果企业不能正确获取数据或没有获取数据的能力，就无法挖掘出数据中的价值，浪费了宝贵的数据资源。数据从总体上可以分为结构化数据和非结构化数据。数据的来源不同、格式不同，获取数据所使用的技术也不同。Web 网站的很多数据来自用户的点击，可以使用低侵入的浏览器探针技术采集用户浏览数据、使用爬虫技术获取网页数据、使用组件Canal采集MySQL数据库的binlog日志，以及使用组件Flume采集Web服务器的日志数据。数据获取之后，为了方便不同应用消费数据，可以将数据存入Kafka消息中间件。

二、数据存储

存储是所有大数据技术组件的基础，存储的发展远远低于 CPU 和内存的发展，虽然硬盘存储容量多年来在不断地提升，但是硬盘的访问速度却没有与时俱进。所以对于大数据开发人员来说，对大数据平台的调优很多情况下主要集中在对磁盘I/O的调优。

三、数据处理

有了数据采集和数据存储系统，可以对数据进行处理。对于大数据处理按照执行时间的跨度可以分为∶离线处理和实时处理。

●离线处理，批量处理，用于时长跨越大、处理复杂数据。

●实时处理，流处理，用于处理实时数据流，通常数据处理的时间跨度在数百毫秒到数秒之间。

四、交互式分析

在实际应用中，经常需要对离线或实时处理后的历史数据，根据不同的条件进行多维分析查询并及时返回结果，这时就需要交互式分析。交互式分析是在历史数据上查询，因为是查询应用，所以交互式查询通常具有以下特点：

● 低延时

● 查询条件复杂

● 返回结果数据量小

● 查询范围大

● 并发数要求高

● 需要支持SQL等接口

五、机器学习与数据挖掘

在利用大数据技术对海量数据进行分析的过程中，常规的数据分析可以使用离线分析、实时分析和交互式分析，复杂的数据分析需要利用数据挖掘和机器学习的方法。

目前，使用较多、比较成熟的机器学习库是Spark框架中的Spark ML，大数据开发人员可以直接利用Spark ML 进行数据挖掘。当然也可以使用Flink框架中的Flink ML，不过Flink ML还在发展过程中，有待成熟和完善。

六、资源管理

资源管理的本质是集群、数据中心级别资源的统一管理和分配。首要解决的是多租户、弹性伸缩、动态分配等问题。

为了应对数据处理的各种应用场景，出现了很多大数据处理框架（如 MapReduce、Hive、Spark、Flink、JStorm等），相应地，也存在着多种应用程序与服务（如离线作业、实时作业等）。为了避免服务和服务之间、任务和任务之间的相互干扰，传统的做法是为每种类型的作业或服务搭建一个单独的集群。在这种情况下，由于每种类型作业使用的资源量不同，有些集群的利用率不高，而有些集群则满负荷运行、资源紧张。

为了提高集群资源利用率、解决资源共享问题，YARN在这种应用场景下应运而生。YARN资源管理系统对集群中的资源进行管理和调度。在实际企业应用中，一般都会将各种大数据处理框架部署到YARN集群上，方便资源的统一调度与管理。