nosql数据库一般有哪几种类型分别用在什么场景

特点：

它们可以处理超大量的数据。

它们运行在便宜的PC服务器集群上。

PC集群扩充起来非常方便并且成本很低，避免了“sharding” *** 作的复杂性和成本。

它们击碎了性能瓶颈。

NoSQL的支持者称，通过NoSQL架构可以省去将Web或Java应用和数据转换成SQL友好格式的时间，执行速度变得更快。

“SQL并非适用于所有的程序代码，” 对于那些繁重的重复 *** 作的数据，SQL值得花钱。但是当数据库结构非常简单时，SQL可能没有太大用处。

没有过多的 *** 作。

虽然NoSQL的支持者也承认关系数据库提供了无可比拟的功能集合，而且在数据完整性上也发挥绝对稳定，他们同时也表示，企业的具体需求可能没有那么多。

Bootstrap支持

因为NoSQL项目都是开源的，因此它们缺乏供应商提供的正式支持。这一点它们与大多数开源项目一样，不得不从社区中寻求支持。

优点：

易扩展

NoSQL数据库种类繁多，但是一个共同的特点都是去掉关系数据库的关系型特性。数据之间无关系，这样就非常容易扩展。也无形之间，在架构的层面上带来了可扩展的能力。

大数据量，高性能

NoSQL数据库都具有非常高的读写性能，尤其在大数据量下，同样表现优秀。这得益于它的无关系性，数据库的结构简单。一般MySQL使用 Query Cache，每次表的更新Cache就失效，是一种大粒度的Cache，在针对web20的交互频繁的应用，Cache性能不高。而NoSQL的 Cache是记录级的，是一种细粒度的Cache，所以NoSQL在这个层面上来说就要性能高很多了。

灵活的数据模型

NoSQL无需事先为要存储的数据建立字段，随时可以存储自定义的数据格式。而在关系数据库里，增删字段是一件非常麻烦的事情。如果是非常大数据量的表，增加字段简直就是一个噩梦。这点在大数据量的web20时代尤其明显。

高可用

NoSQL在不太影响性能的情况，就可以方便的实现高可用的架构。比如Cassandra，HBase模型，通过复制模型也能实现高可用。

主要应用：

Apache HBase

这个大数据管理平台建立在谷歌强大的BigTable管理引擎基础上。作为具有开源、Java编码、分布式多个优势的数据库，Hbase最初被设计应用于Hadoop平台，而这一强大的数据管理工具，也被Facebook采用，用于管理消息平台的庞大数据。

Apache Storm

用于处理高速、大型数据流的分布式实时计算系统。Storm为Apache Hadoop添加了可靠的实时数据处理功能，同时还增加了低延迟的仪表板、安全警报，改进了原有的 *** 作方式，帮助企业更有效率地捕获商业机会、发展新业务。

Apache Spark

该技术采用内存计算，从多迭代批量处理出发，允许将数据载入内存做反复查询，此外还融合数据仓库、流处理和图计算等多种计算范式，Spark用Scala语言实现，构建在HDFS上，能与Hadoop很好的结合，而且运行速度比MapReduce快100倍。

Apache Hadoop

该技术迅速成为了大数据管理标准之一。当它被用来管理大型数据集时，对于复杂的分布式应用，Hadoop体现出了非常好的性能，平台的灵活性使它可以运行在商用硬件系统，它还可以轻松地集成结构化、半结构化和甚至非结构化数据集。

Apache Drill

你有多大的数据集？其实无论你有多大的数据集，Drill都能轻松应对。通过支持HBase、Cassandra和MongoDB，Drill建立了交互式分析平台，允许大规模数据吞吐，而且能很快得出结果。

Apache Sqoop

也许你的数据现在还被锁定于旧系统中，Sqoop可以帮你解决这个问题。这一平台采用并发连接，可以将数据从关系数据库系统方便地转移到Hadoop中，可以自定义数据类型以及元数据传播的映射。事实上，你还可以将数据（如新的数据）导入到HDFS、Hive和Hbase中。

Apache Giraph

这是功能强大的图形处理平台，具有很好可扩展性和可用性。该技术已经被Facebook采用，Giraph可以运行在Hadoop环境中，可以将它直接部署到现有的Hadoop系统中。通过这种方式，你可以得到强大的分布式作图能力，同时还能利用上现有的大数据处理引擎。

Cloudera Impala

Impala模型也可以部署在你现有的Hadoop群集上，监视所有的查询。该技术和MapReduce一样，具有强大的批处理能力，而且Impala对于实时的SQL查询也有很好的效果，通过高效的SQL查询，你可以很快的了解到大数据平台上的数据。

Gephi

它可以用来对信息进行关联和量化处理，通过为数据创建功能强大的可视化效果，你可以从数据中得到不一样的洞察力。Gephi已经支持多个图表类型，而且可以在具有上百万个节点的大型网络上运行。Gephi具有活跃的用户社区，Gephi还提供了大量的插件，可以和现有系统完美的集成到一起，它还可以对复杂的IT连接、分布式系统中各个节点、数据流等信息进行可视化分析。

MongoDB

这个坚实的平台一直被很多组织推崇，它在大数据管理上有极好的性能。MongoDB最初是由DoubleClick公司的员工创建，现在该技术已经被广泛的应用于大数据管理。MongoDB是一个应用开源技术开发的NoSQL数据库，可以用于在JSON这样的平台上存储和处理数据。目前，纽约时报、Craigslist以及众多企业都采用了MongoDB，帮助他们管理大型数据集。（Couchbase服务器也作为一个参考）。

十大顶尖公司：

Amazon Web Services

Forrester将AWS称为“云霸主”，谈到云计算领域的大数据，那就不得不提到亚马逊。该公司的Hadoop产品被称为EMR（Elastic Map Reduce），AWS解释这款产品采用了Hadoop技术来提供大数据管理服务，但它不是纯开源Hadoop，经过修改后现在被专门用在AWS云上。

Forrester称EMR有很好的市场前景。很多公司基于EMR为客户提供服务，有一些公司将EMR应用于数据查询、建模、集成和管理。而且AWS还在创新，Forrester称未来EMR可以基于工作量的需要自动缩放调整大小。亚马逊计划为其产品和服务提供更强大的EMR支持，包括它的RedShift数据仓库、新公布的Kenesis实时处理引擎以及计划中的NoSQL数据库和商业智能工具。不过AWS还没有自己的Hadoop发行版。

Cloudera

Cloudera有开源Hadoop的发行版，这个发行版采用了Apache Hadoop开源项目的很多技术，不过基于这些技术的发行版也有很大的进步。Cloudera为它的Hadoop发行版开发了很多功能，包括Cloudera管理器，用于管理和监控，以及名为Impala的SQL引擎等。Cloudera的Hadoop发行版基于开源Hadoop，但也不是纯开源的产品。当Cloudera的客户需要Hadoop不具备的某些功能时，Cloudera的工程师们就会实现这些功能，或者找一个拥有这项技术的合作伙伴。Forrester表示：“Cloudera的创新方法忠于核心Hadoop，但因为其可实现快速创新并积极满足客户需求，这一点使它不同于其他那些供应商。”目前，Cloudera的平台已经拥有200多个付费客户，一些客户在Cloudera的技术支持下已经可以跨1000多个节点实现对PB级数据的有效管理。

Hortonworks

和Cloudera一样，Hortonworks是一个纯粹的Hadoop技术公司。与Cloudera不同的是，Hortonworks坚信开源Hadoop比任何其他供应商的Hadoop发行版都要强大。Hortonworks的目标是建立Hadoop生态圈和Hadoop用户社区，推进开源项目的发展。Hortonworks平台和开源Hadoop联系紧密，公司管理人员表示这会给用户带来好处，因为它可以防止被供应商套牢（如果Hortonworks的客户想要离开这个平台，他们可以轻松转向其他开源平台）。这并不是说Hortonworks完全依赖开源Hadoop技术，而是因为该公司将其所有开发的成果回报给了开源社区，比如Ambari，这个工具就是由Hortonworks开发而成，用来填充集群管理项目漏洞。Hortonworks的方案已经得到了Teradata、Microsoft、Red Hat和SAP这些供应商的支持。

IBM

当企业考虑一些大的IT项目时，很多人首先会想到IBM。IBM是Hadoop项目的主要参与者之一，Forrester称IBM已有100多个Hadoop部署，它的很多客户都有PB级的数据。IBM在网格计算、全球数据中心和企业大数据项目实施等众多领域有着丰富的经验。“IBM计划继续整合SPSS分析、高性能计算、BI工具、数据管理和建模、应对高性能计算的工作负载管理等众多技术。”

Intel

和AWS类似，英特尔不断改进和优化Hadoop使其运行在自己的硬件上，具体来说，就是让Hadoop运行在其至强芯片上，帮助用户打破Hadoop系统的一些限制，使软件和硬件结合的更好，英特尔的Hadoop发行版在上述方面做得比较好。Forrester指出英特尔在最近才推出这个产品，所以公司在未来还有很多改进的可能，英特尔和微软都被认为是Hadoop市场上的潜力股。

MapR Technologies

MapR的Hadoop发行版目前为止也许是最好的了，不过很多人可能都没有听说过。Forrester对Hadoop用户的调查显示，MapR的评级最高，其发行版在架构和数据处理能力上都获得了最高分。MapR已将一套特殊功能融入其Hadoop发行版中。例如网络文件系统（NFS）、灾难恢复以及高可用性功能。Forrester说MapR在Hadoop市场上没有Cloudera和Hortonworks那样的知名度，MapR要成为一个真正的大企业，还需要加强伙伴关系和市场营销。

Microsoft

微软在开源软件问题上一直很低调，但在大数据形势下，它不得不考虑让Windows也兼容Hadoop，它还积极投入到开源项目中，以更广泛地推动Hadoop生态圈的发展。我们可以在微软的公共云Windows Azure HDInsight产品中看到其成果。微软的Hadoop服务基于Hortonworks的发行版，而且是为Azure量身定制的。

微软也有一些其他的项目，包括名为Polybase的项目，让Hadoop查询实现了SQLServer查询的一些功能。Forrester说：“微软在数据库、数据仓库、云、OLAP、BI、电子表格（包括PowerPivot）、协作和开发工具市场上有很大优势，而且微软拥有庞大的用户群，但要在Hadoop这个领域成为行业领导者还有很远的路要走。”

Pivotal Software

EMC和Vmware部分大数据业务分拆组合产生了Pivotal。Pivotal一直努力构建一个性能优越的Hadoop发行版，为此，Pivotal在开源Hadoop的基础上又添加了一些新的工具，包括一个名为HAWQ的SQL引擎以及一个专门解决大数据问题的Hadoop应用。Forrester称Pivotal Hadoop平台的优势在于它整合了Pivotal、EMC、Vmware的众多技术，Pivotal的真正优势实际上等于EMC和Vmware两大公司为其撑腰。到目前为止，Pivotal的用户还不到100个，而且大多是中小型客户。

Teradata

对于Teradata来说，Hadoop既是一种威胁也是一种机遇。数据管理，特别是关于SQL和关系数据库这一领域是Teradata的专长。所以像Hadoop这样的NoSQL平台崛起可能会威胁到Teradata。相反，Teradata接受了Hadoop，通过与Hortonworks合作，Teradata在Hadoop平台集成了SQL技术，这使Teradata的客户可以在Hadoop平台上方便地使用存储在Teradata数据仓库中的数据。

AMPLab

通过将数据转变为信息，我们才可以理解世界，而这也正是AMPLab所做的。AMPLab致力于机器学习、数据挖掘、数据库、信息检索、自然语言处理和语音识别等多个领域，努力改进对信息包括不透明数据集内信息的甄别技术。除了Spark，开源分布式SQL查询引擎Shark也源于AMPLab，Shark具有极高的查询效率，具有良好的兼容性和可扩展性。近几年的发展使计算机科学进入到全新的时代，而AMPLab为我们设想一个运用大数据、云计算、通信等各种资源和技术灵活解决难题的方案，以应对越来越复杂的各种难题。

phoenix、impala、hive、shark、spark SQL等，本人目前在项目中使用的是phoenix工具，是一个访问hbase的JDBC驱动jar包，基本像访问JDBC一样，可以进行各种CRUD *** 作，还带有事务功能，性能据官网介绍还是非常快的

数据分析师需要学习的内容1、统计学我看一些人推荐了不少统计学的专业书籍，很多人读《概率论与数理统计》，其他统计相关的内容也没怎么看过。对于互联网的数据分析来说，并不需要掌握太复杂的统计理论。所以只要按照本科教材，学一下统计学就够了。2、编程能力学会一门编程语言，会让你处理数据的效率大大提升。如果你只会在Excel上复制粘贴，动手能力是不可能快的。我比较推荐Python，上手比较快，写起来比较优雅。3、数据库数据分析师经常和数据库打交道，不掌握数据库的使用可不行。学会如何建表和使用SQL语言进行数据处理，可以说是必不可少的技能。4、数据仓库许多人分不清楚数据库和数据仓库的差异，简单来说，数据仓库记录了所有历史数据，专门设计为方便数据分析人员高效使用的。5、数据分析方法对于互联网数据分析人员来说，可以看一下《精益创业》和《精益数据分析》，掌握常用的数据分析方法，然后再根据自己公司的产品调整，灵活组合。

大数据的概念

概念：难以用常规的数据库工具获取、存储、管理、分析的数据集合。

特征：

1、数据量大：起始单位是PB级的。

1KB=1024B

1MB=1024KB

1GB=1024MB

1TB=1024GB

1PB=1024TB

1EB=1024PB

1ZB=1024EB

2、类型多：

结构化、板结构化、非结构化：网诺日志、音频、视频、、地理位置等信息混杂。

3、价值密度低：

获取数据的价值就像是淘金一般。

4、速度快时效高：

数据呈指数倍增长，时效性要求高，比如搜索引擎要求几分钟前的新闻能够被用户查询到，个性化推荐算法尽可能的完成实时推荐。

5、永远在线：

大数据时代的数据是永远在线的，随时应用计算，这也是区别于传统的数据的最大特征。

大数据从哪来

1、搜索引擎服务

百度数据量1000PB，每天响应138个国家数十亿次请求，每日新增10TB

2、电子商务

3、社交网络

QQ：85亿用户，用4400台服务器存储用户产生的信息，压缩后的数据100PB，每天新增200~300TB

4、音视频在线服务

5、个人数据业务

6、地理信息数据

7、传统企业

8、公共机构

智慧城市：摄像头拍摄的，1080P高清网络摄像机一月产生18TB数据，大点的城市50万个摄像头，一个月3PB的数据量。

医疗、中国的气象系统。

大数据的存储与计算模式

存储：

面临的问题：数据量大、类型复杂（结构化、非结构化、半结构化）

关键技术：

1、分布式文件系统（高效元数据管理技术、系统d性扩展技术、存储层级内的优化、针对应用和负载的存储优化技术、针对存储器件的优化技术）

2、分布式数据库

事务性数据库技术：NoSQL：（支持非关系数据库、具有多个节点分割和复制数据的能力、用最终一致性机制解决并发读 *** 作与控制问题、充分利用分布式索引及内存提高性能）代表有：BigTable、HBase、MongoDB、Dynamo。

分析型的数据库技术：Hive 、Impala

3、大数据索引和查询技术

4、实时流式大数据存储与处理技术

计算：

面临的问题：数据结构特征、并行计算（以分布式文件为基础的Hadoop\以分布式内存缓存为基础的Spark）、数据获取（批处理\流处理）、数据处理类型（传统查询\数据挖掘分析计算）、实时响应性能、迭代计算、数据关联性（先map一下再reduce一下）。

关键技术：

1、大数据查询分析计算模式与技术：HBase、Hive、Cassandra、Impala

2、批处理计算：Hadoop MapReduce、Spark

3、流式计算：Storm、Spark Steaming

4、图计算：Giraph、GraphX

5、内存计算：Spark、Hana（SAP公司全内存式分布式数据库系统）、Dremel

应用领域

1、智慧医疗（临床数据、公共卫生数据、移动医疗健康数据）（共享疾病案例，基因分类参考）

2、智慧农业（主要指依据商业需求进行农产品生产，降低菜残伤农概率）

3、金融行业：

精准的营销：根据可与习惯进行推销

风险管控：根据用户的交易流水实施反欺诈

决策支持：抵押贷款这一块，实施产业信贷的风险控制。

效率提升：加快内部数据处理。

产品设计：根据客户的投资行为设计满足客户需求的金融产品。

4、零售行业（对零售商来说：精准营销（降低营销成本，扩大营销额）；对厂商：降低产品过剩）

5、电子商务行业

6、电子政务

希望对您有所帮助！~

1、学科知识：从数据分析涉及到的专业知识点上看，主要是这些：

（1）统计学：参数检验、非参检验、回归分析等

（2）数学：线性代数、微积分等

（3）社会学：主要是一些社会学量化统计的知识，如问卷调查与统计分析；还有就是一些社会学的知识，这些对于从事营销类的数据分析人员比较有帮助

（4）经济金融：如果是从事这个行业的数据分析人员，经济金融知识是必须的，这里就不多说了

（5）计算机：从事数据分析工作的人必须了解你使用的数据是怎么处理出来的，要了解数据库的结构和基本原理，同时如果条件充足的话，你还能有足够的能力从数据库里提取你需要的数据（比如使用SQL进行查询），这种提取数据分析原材料的能力是每个数据从业者必备的。此外，如果要想走的更远，还要能掌握一些编程能力，从而借住一些专业的数据分析工具，帮助你完成工作。

2、软件相关：从事数据分析方面的工作必备的工具是什么

（1）数据分析报告类：Microsoft Office软件等，如果连excel表格基本的处理 *** 作都不会，连PPT报告都不会做，那我只好说离数据分析的岗位还差的很远。现在的数据呈现不再单单只是表格的形式，而是更多需要以可视化图表去展示你的数据结果，因为数据可视化软件就不能少，BDP个人版、TABLUEA等这些必备的，就看你自己怎么选了。

（2）专业数据分析软件：Office并不是全部，要从在数据分析方面做的比较好，你必须会用（至少要了解）一些比较常用的专业数据分析软件工具，比如SPSS、SAS、Matlab等等，这些软件可以很好地帮助我们完成专业性的算法或模型分析，还有高级的python、R等。

（3）数据库：hive、hadoop、impala等数据库相关的知识可以学习；

（4）辅助工具：比如思维导图软件（如MindManager、MindNode Pro等）也可以很好地帮助我们整理分析思路。

最重要的是：理论知识+软件工具=数据分析基础，最后要把这些数据分析基础运用到实际的工作业务中，好好理解业务逻辑，真正用数据分析驱动网站运营、业务管理，真正发挥数据的价值。

使用kettle创建和数据库的连接时，提示找不到jar包，把相应数据库的jar包放入data-integration\lib或者data-integration\libswt\win64下，再重新执行Spoonbat即可OK，不重启的话不生效，切记。

以上就是关于nosql数据库一般有哪几种类型分别用在什么场景全部的内容，包括:nosql数据库一般有哪几种类型分别用在什么场景、phoenix，impala，spark sql访问hbase数据库哪种工具性能最优、数据分析需要掌握些什么知识等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！