一般的大數據平臺從平臺搭建到數據分析大概包括以下幾個步驟：

1、Linux系統安裝

一般使用開源版的Redhat系統--CentOS作為底層平臺。為了提供穩定的硬件基礎，在給硬盤做RAID和掛載數據存儲節點的時，需要按情況配置。比如，可以選擇給HDFS的namenode做RAID2以提高其穩定性，將數據存儲與操作系統分別放置在不同硬盤上，以確保操作系統的正常運行。

2、分佈式計算平臺/組件安裝

當前分佈式系統的大多使用的是Hadoop系列開源系統。Hadoop的核心是HDFS，一個分佈式的文件系統。在其基礎上常用的組件有Yarn、Zookeeper、Hive、Hbase、Sqoop、Impala、ElasticSearch、Spark等。

使用開源組件的優點：1）使用者眾多，很多bug可以在網上找的答案（這往往是開發中最耗時的地方）；2）開源組件一般免費，學習和維護相對方便；3）開源組件一般會持續更新；4）因為代碼開源，如果出現bug可自由對源碼作修改維護。

常用的分佈式數據數據倉庫有Hive、Hbase。Hive可以用SQL查詢，Hbase可以快速讀取行。外部數據庫導入導出需要用到Sqoop。Sqoop將數據從Oracle、MySQL等傳統數據庫導入Hive或Hbase。Zookeeper是提供數據同步服務， Impala是對hive的一個補充，可以實現高效的SQL查詢

3、數據導入

前面提到，數據導入的工具是Sqoop。它可以將數據從文件或者傳統數據庫導入到分佈式平臺。

4、數據分析

數據分析一般包括兩個階段：數據預處理和數據建模分析。

數據預處理是為後面的建模分析做準備，主要工作時從海量數據中提取可用特徵，建立大寬表。這個過程可能會用到Hive SQL，Spark QL和Impala。

數據建模分析是針對預處理提取的特徵/數據建模，得到想要的結果。如前面所提到的，這一塊最好用的是Spark。常用的機器學習算法，如樸素貝葉斯、邏輯迴歸、決策樹、神經網絡、TFIDF、協同過濾等，都已經在ML lib裡面，調用比較方便。

5、結果可視化及輸出API

可視化一般式對結果或部分原始數據做展示。一般有兩種情況，行數據展示，和列查找展示。

以上就簡單介紹這麼多，如果有小夥伴想了解和學習更多的大數據技術，可以私信小編索要資料