文书智慧档案馆方案-北京兴源科创科技-山东文书智慧档案馆

（1）采集

大数据的采集是指利用多个数据库来接收发自---（web、app或者传感器形式等）的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库mysql和oracle等来存储每一笔事务数据，除此之外，redis和mongodb这样的nosql数据库也常用于数据的采集。

（2）导入/预处理

虽然采集端本身会有很多数据库，但是如果要对这些---数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，山东文书智慧档案馆，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自twitter的storm来对数据进行流式计算，文书智慧档案馆，来满足部分业务的实时计算需求。

导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。

（3）统计/分析

统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的---数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到emc的greenplum、oracle的exadata，以及基于mysql的列式存储infobright等，而一些批处理，或者基于半结构化数据的需求可以使用hadoop。

统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，---是i/o会有---的占用。

（4）挖掘

与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测（predict）的效果，从而实现一些高层级数据分析的需求。比较典型算法有用于聚类的kmeans、用于统计学习的svm和用于分类的---bayes，主要使用的工具有hadoop的mahout等。