什么是NoSQL數據庫？

答案：A

我們提供的服務有：成都網站建設、成都網站制作、微信公眾號開發、網站優化、網站認證、句容ssl等。為近千家企事業單位解決了網站和推廣的問題。提供周到的售前咨詢和貼心的售后服務，是有科學管理、有技術的句容網站制作公司

1.文檔型數據庫

作為最受歡迎的NoSQL產品，文檔型數據庫MongoDB當仁不讓地占據了第一的位置，同時它也是所有NoSQL數據庫中排名最靠前的產品(總排行榜第七名)。Apache基金會的CouchDB排在第二，基于.Net的數據庫RavenDB排在第三，Couchbase排在第四。

2.鍵值(Key-value)數據庫

鍵值(Key-value)數據庫是NoSQL領域中應用范圍最廣的，也是涉及產品最多的一種模型。從最簡單的BerkeleyDB到功能豐富的分布式數據庫Riak再到Amazon托管的DynamoDB不一而足。

在鍵值數據庫流行度排行中，Redis不出意外地排名第一，它是一款由Vmware支持的內存數據庫，總體排名第十一。排在第二位的是Memcached，它在緩存系統中應用十分廣泛。排在之后的是Riak、BerkeleyDB、SimpleDB、DynamoDB以及甲骨文的Oracle NoSQL數據庫。值得注意的是，Oracle NoSQL數據庫上榜不久，得分已經翻番，上升勢頭非常迅猛。

3.　列式存儲

列式存儲被視為NoSQL數據庫中非常重要的一種模式，其中Cassandra流行度最高，它已經由Facebook轉交給到Apache進行管理，同時Cassandra在全體數據庫排名中排在第十位，緊隨MongoDB成為第二受歡迎的NoSQL數據庫。基于Hadoop的Hbase排在第二位，Hypertable排在第三。而Google的BigTable并未列入排名，原因是它并未正式公開。

簡述什么是nosql數據庫，并列舉兩種常見的nosql數據庫名稱及其特點

NoSQL太火，冒出太多產品了，保守估計也成百上千了。

互聯網公司常用的基本集中在以下幾種，每種只舉一個比較常見或者應用比較成功的例子吧。

1. In-Memory KV Store : Redis

in memory key-value store，同時提供了更加豐富的數據結構和運算的能力，成功用法是替代memcached，通過checkpoint和commit log提供了快速的宕機恢復，同時支持replication提供讀可擴展和高可用。

2. Disk-Based KV Store: Leveldb

真正基于磁盤的key-value storage, 模型單一簡單，數據量不受限于內存大小，數據落盤高可靠，Google的幾位大神出品的精品，LSM模型天然寫優化，順序寫盤的方式對于新硬件ssd再適合不過了，不足是僅提供了一個庫，需要自己封裝server端。

3. Document Store: Mongodb

分布式nosql，具備了區別mysql的最大亮點：可擴展性。mongodb 最新引人的莫過于提供了sql接口，是目前nosql里最像mysql的，只是沒有ACID的特性，發展很快，支持了索引等特性，上手容易，對于數據量遠超內存限制的場景來說，還需要慎重。

4. Column Table Store: HBase

這個富二代似乎不用贅述了，最大的優勢是開源，對于普通的scan和基于行的get等基本查詢，性能完全不是問題，只是只提供裸的api,易用性上是短板，可擴展性方面是最強的，其次坐上了Hadoop的快車，社區發展很快，各種基于其上的開源產品不少，來解決諸如join、聚集運算等復雜查詢。

一、NoSQL數據庫簡介

Web1.0的時代，數據訪問量很有限，用一夫當關的高性能的單點服務器可以解決大部分問題。

隨著Web2.0的時代的到來，用戶訪問量大幅度提升，同時產生了大量的用戶數據。加上后來的智能移動設備的普及，所有的互聯網平臺都面臨了巨大的性能挑戰。

NoSQL(NoSQL = Not Only SQL )，意即“不僅僅是SQL”，泛指非關系型的數據庫。

NoSQL 不依賴業務邏輯方式存儲，而以簡單的key-value模式存儲。因此大大的增加了數據庫的擴展能力。

Memcache Memcache Redis Redis MongoDB MongoDB 列式數據庫 列式數據庫 Hbase Hbase

HBase是Hadoop項目中的數據庫。它用于需要對大量的數據進行隨機、實時的讀寫操作的場景中。

HBase的目標就是處理數據量非常龐大的表，可以用普通的計算機處理超過10億行數據，還可處理有數百萬列元素的數據表。

Cassandra Cassandra

Apache Cassandra是一款免費的開源NoSQL數據庫，其設計目的在于管理由大量商用服務器構建起來的龐大集群上的海量數據集(數據量通常達到PB級別)。在眾多顯著特性當中，Cassandra最為卓越的長處是對寫入及讀取操作進行規模調整，而且其不強調主集群的設計思路能夠以相對直觀的方式簡化各集群的創建與擴展流程。

主要應用：社會關系，公共交通網絡，地圖及網絡拓譜(n*(n-1)/2)

大數據管理專業學什么

大數據管理專業學計算機科學原理，數據科學原理，數據結構原理，算法原理，程序設計原理，數據挖掘技術，數據分析方法，概率論和統計等。

一、大數據管理與應用學科基礎課程:

大數據管理與應用導論、管理學、會計學、經濟學、運籌學、概率論與數理統計等。另外安排有計算機基本技能訓練、程序設計基礎課程設計等實踐課。

二、大數據管理與應用專業基礎課程:

數據結構、大數據技術原理、數據庫原理與應用、管理統計學數據挖掘技術、LINUX基礎與應用等。

三、大數據管理與應用專業核心課程:

數據采集與管理、商業數據分析、數據可視化技術、數據安全與治理、商務智能及應用、大數據應用系統設計。

四、大數據管理與應用專業方向課程:這部分屬于選修課程，并不全部學習。

有人工智能導論、信息管理與系統建模、電子商務、企業大數據管理、推薦系統導論、大數據營銷與管理、網絡前沿安全技術、深度學習導論、區塊鏈技術、智能交互技術、云計算基礎、多元系統分析及R語言建模、WEB前端設計、NOSQL數據庫、IT項目管理等等。

五、專業實踐課程:大數據技術原理與應用課程設計、數據庫原理及應用課程設計、商業數據分析課程設計、數據可視化綜合實踐、大數據管理畢業實習及畢業設計等。

大數據專業的核心課程是什么？

1、大數據專業，一般是指大數據采集與管理專業；

2、課程設置，大數據專業將從大數據應用的三個主要層面（即數據管理、系統開發、海量數據分析與挖掘）系統地幫助企業掌握大數據應用中的各種典型問題的解決辦法，包括實現和分析協同過濾算法、運行和學習分類算法、分布式Hadoop集群的搭建和基準測試、分布式Hbase集群的搭建和基準測試、實現一個基于、Mapreduce的并行算法、部署Hive并實現一個的數據操作等等，實際提升企業解決實際問題的能力。

3、核心技術，

（1）大數據與Hadoop生態系統。詳細介紹分析分布式文件系統HDFS、集群文件系統ClusterFS和NoSQL Database技術的原理與應用；分布式計算框架Mapreduce、分布式數據庫HBase、分布式數據倉庫Hive。

（2）關系型數據庫技術。詳細介紹關系型數據庫的原理，掌握典型企業級數據庫的構建、管理、開發及應用。

（3）分布式數據處理。詳細介紹分析Map/Reduce計算模型和Hadoop Map/Reduce技術的原理與應用。

（4）海量數據分析與數據挖掘。詳細介紹數據挖掘技術、數據挖掘算法–Minhash, Jaccard and Cosine similarity，TF-IDF數據挖掘算法–聚類算法；以及數據挖掘技術在行業中的具體應用。

（5）物聯網與大數據。詳細介紹物聯網中的大數據應用、遙感圖像的自動解譯、時間序列數據的查詢、分析和挖掘。

（6）文件系統（HDFS）。詳細介紹HDFS部署，基于HDFS的高性能提供高吞吐量的數據訪問。

（7）NoSQL。詳細介紹NoSQL非關系型數據庫系統的原理、架構及典型應用。

4、行業現狀，

今天，越來越多的行業對大數據應用持樂觀的態度，大數據或者相關數據分析解決方案的使用在互聯網行業，比如百度、騰訊、淘寶、新浪等公司已經成為標準。而像電信、金融、能源這些傳統行業，越來越多的用戶開始嘗試或者考慮怎么樣使用大數據解決方案，來提升自己的業務水平。

在“大數據”背景之下，精通“大數據”的專業人才將成為企業最重要的業務角色，“大數據”從業人員薪酬持續增長，人才缺口巨大。

學大數據，需要學什么課程嗎?兄弟請具體點。

IT時代逐漸開始向大數據DT時代邁進，很多企業和個人紛紛開始向大數據靠攏，希望在崗起步的道路上能占有一個屬于自己的數據空間，迎接以后更激烈的競爭環境。企業向大數據靠攏的方法就是招攬一些大數據方面的人才，而個人向大數據靠攏的方式就是去學習大數據。想學習大數據的人越來越多，但是，大數據到底學的課程是什么呢？大數據學習的知識點都有哪些呢？下面給大家好好普及一下，這樣學起來才會有的放矢。

首先我們要了解Java語言和Linux操作系統，這兩個是學習大數據的基礎，學習的順序不分前后。

Java ：只要了解一些基礎即可，做大數據不需要很深的Java 技術，學java SE 就相當于有學習大數據。基礎

Linux：因為大數據相關軟件都是在Linux上運行的，所以Linux要學習的扎實一些，學好Linux對你快速掌握大數據相關技術會有很大的幫助，能讓你更好的理解hadoop、hive、hbase、spark等大數據軟件的運行環境和網絡環境配置，能少踩很多坑，學會shell就能看懂腳本這樣能更容易理解和配置大數據集群。還能讓你對以后新出的大數據技術學習起來更快。

好說完基礎了，再說說還需要學習哪些大數據技術，可以按我寫的順序學下去。

Hadoop：這是現在流行的大數據處理平臺幾乎已經成為大數據的代名詞，所以這個是必學的。Hadoop里面包括幾個組件HDFS、MapReduce和YARN，HDFS是存儲數據的地方就像我們電腦的硬盤一樣文件都存儲在這個上面，MapReduce是對數據進行處理計算的，它有個特點就是不管多大的數據只要給它時間它就能把數據跑完，但是時間可能不是很快所以它叫數據的批處理。

記住學到這里可以作為你學大數據的一個節點。

Zookeeper：這是個萬金油，安裝Hadoop的HA的時候就會用到它，以后的Hbase也會用到它。它一般用來存放一些相互協作的信息，這些信息比較小一般不會超過1M，都是使用它的軟件對它有依賴，對于我們個人來講只需要把它安裝正確，讓它正常的run起來就可以了。

Mysql：我們學習完大數據的處理了，接下來學習學習小數據的處理工具mysql數據庫，因為一會裝hive的時候要用到，mysql需要掌握到什么層度那?你能在Linux上把它安裝好，運行起來，會配置簡單的權限，修改root的密碼，創建數據庫。這里主要的是學習SQL的語法，因為hive的語法和這個非常相似。

Sqoop：這個是用于把Mysql里的數據導入到Hadoop里的。當然你也可以不用這個，直接把Mysql數據表導出成文件再放到HDFS上也是一樣的，當然生產環境中使用要注意Mysql的壓力。

Hive：這個東西對于會SQL語法的來說就是神器，它能讓你處理大數據變的很簡單，不會再費勁的編寫MapReduce程序。有的人說Pig那?它和Pig差不多掌握一個就可以了。

Oozie：既然學會Hive了，我相信你一定需要這個東西，它可以幫你管理你的Hive或者MapReduce、Spark腳本，還能檢查你的程序是否執行正確，出錯了給你發報警并能幫你重試程序，最重要的是還能幫你配置任務的依賴關系。我相信你一定會喜歡上它的，不然你看著那一大堆腳本，和密密麻麻的crond是不是有種想屎的感覺。

Hbase：這是Hadoop生態體系中的NOSQL數據庫，他的數據是按照key和value的形式存儲的并且key是唯一的，所以它能用來做數據的排重，它與MYSQL相比能存儲的數據量大很多。所以他常被用于大數據處理完成之后的存儲目的地。

Kafka：這是個比較好用的隊列工具，隊列是干嗎的?排隊買票你知道不?數據多了同樣也需要排隊處理，這樣與你協作的其它同學不會叫起來，你干嗎給我這么多的數據(比如好幾百G的文件)我怎么處理得過來，你別怪他因為他不是搞大數據的，你可以跟他講我把數據放在隊列里你使用的時候一個個拿，這樣他就不在抱怨了馬上灰流流的去優化他的程序去了，因為處理不過來就是他的事情。而不是你給的問題。當然我們也可以利用這個工具來做線上實時數據的入庫或入HDFS，這時你可以與一個叫Flume的工具配合使用，它是專門用來提供對數據進行簡單處理，并寫到各種數據接受方(比如Kafka)的。

Spark：它是用來彌補基于MapReduce處理數據速度上的缺點，它的特點是把數據裝載到內存中計算而不是去讀慢的要死進化還特別慢的硬盤。特別適合做迭代運算，所以算法流們特別稀飯它。它是用scala編寫的。Java語言或者Scala都可以操作它，因為它們都是用JVM的。