上海企业网站建设公司平谷网站建设
一、下游业务如何使用爬取到的数据
（一）常用数据存储方案
1.百万级别数据：单机数据库，搭建和使用方便快捷，成本低
2.千万级别数据：负载均衡的多台数据库，安全和稳定
3.海量数据：大数据框架，分布式部署，承载量巨大
（二）数据库及框架
1.百万级别数据：Mysql、PostgreSQL、Mongo
2.千万级别数据：主从同步数据库，性能调优
3.大数据框架：Hbase、Elasticsearch、Hive
4.文件存储：OSS、COS、Kodo、fastDFS
（三）下游业务提取数据方式
1.数据库客户端界面筛选数据并导出
2.数据人员写代码查询数据并分析
3.大数据分析工具，例如Bi、Hadoop、spark
（四）总结
1.通常数据的存储位置，一般是已经准备指定了具体某个框架
2.爬虫开始工作前，分布式数据库的架设就要完成，并开发接口
3.数据分析人员，也需要学习编程，如Python,R,SQL
二、数据和文件存储方案：Hadoop/Hbase/Hive/Spark/OSS/FastDFS
（一）认识大数据框架
Hadoop:大数据框架，安全稳定，适合存储低频计算的大文件
Spark:基于内存的计算框架，实时计算数据
Hive:只支持SQL查询语法，处理结构化的数据
Hbase:nosql,非关系型数据库，类似mongodb
（二）认识分布式文件系统
对象存储【云产品】：方便易用容量大，但是贵
FastDFS:开源的分布式文件系统，自行搭建
HDFS:Hadoop内置的分布式文件系统，适合存储大文件
（三）低频大数据存储类型
1.框架选择：Hadoop+Hive
2.SQL查询语句，学习成本低
3.HDFS和MapReduce,对大数据有优势
（四）实时大数据计算类型
1.框架选择：Hadoop+Spark
2.Hadoop稳定，提供大数据的基础
3.Spark是运行在内存上的计算，运行速度快
（五）结构化大数据存储类型
1.框架选择：Hadoop+Hbase
2.数据是按列存储的，查询时只访问所涉及的列，速度快
3.大幅降低系统I/O，数据类型一致，可以高效压缩存储
（六）大数据文件系统和分布式文件系统
Hadoop的文件系统HDFS主要解决并行计算中分布式存储数据的问题。其单个数据文件通常很大，采用了分块（切分）存储的方式；
FastDFS主要用于大中网站，为文件上传和下载提供在线服务。所以在负载均衡、动态扩容等方面都支持的比较好，不分割文件。
（七）总结
（1）大数据范围很广，通常是指Hadoop生态圈。
（2）Hadoop不是单一框架，而是有非常多组件的大数据完整方案。
（3）根据项目的需求，选择特定组件接入到Hadoop中