数据仓库名词解释（简述数据仓库概念及用途）

本篇文章给大家谈谈数据仓库名词解释，以及简述数据仓库概念及用途对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、电力企业管理 名词解释
• 2、大数据云计算好不好学习？
• 3、机房中的KVM系统到底是个什么东西
• 4、“客户关系管理系统”名词解释要怎么解释

电力企业管理 名词解释

电力行业是应用信息技术较早的行业之一，从应用的过程来看可分为生产过程自动化、专项业务应用、管理信息系统等三个阶段。到目前为止，电力系统的规划设计、基建、发电、输电、供电等各环节均有信息技术的应用。各级电力企业在发电厂计算机控制、变电站自动化、电网调度自动化、电力负荷管理、管理信息系统、计算机辅助设计、计算机仿真、科研试验等领域有了一定的应用，在发电厂计算机控制、电网调度自动化方面取得了较高的水平。电力行毕悔备业属于国有垄断的产业，可划分为发电、供电手毁2大系统和发电、输电、供电、用电四大环节，发电系统根据电厂的发电能级以及所处的位置分为跨网电厂、网级电厂、省级电厂、自备电厂及小水电等四个发电级别，统一向前脊电网供电。供电系统实行分层次管理，即分为国家电力公司、网局/独立省局、地区和县电力公司四级；全国共有地区以上供电局约280个。总体架构为金字塔形，上层上层对下层进行严密的控制。电力生产的产品是电能，其有着发、输、配、用电同时完成，不能储存的特点。由发电系统向供电系统售电，供电系统将电经由高压电网送往全国各个城市并售给每个用电户，其中的资金结算由电网的计量关口电能表确定，是一个复杂严密的过程。电力销售供应的一个复杂的系统工程，网络遍布全国，关系到经济生产的基础，存在很多高安全要求的设备，需要实时监控和定期进行检修维护。

根据电力市场产供销同时完成的特点，实施电力企业的拓展业务、市场营销、客户支持、客户调查、客户分析挖掘，结合电话、传真、电子邮件等现代通讯技术，充分与客户沟通，全面提高服务质量。

根据流程化的业务标准处理财务管理、物资管理、电力生产、设备管理、人事管理、工程预算、电力营销MIS等各项内部业务，并由信息化的管理思想出发，优化重组内部的业务流程。

综合客户服务与业务处理的信息，采用数据仓库分析挖掘技术，为企业管理人员制定策略、开发分析市场、效益评估、公共关系与企业形象设计等管理行为，以及电力决策提供科学的依据。

根据发电系统、供电系统的

大数据云计算好不好学习？

说一下大数据的四个典型的特征：

数据量大；

数据类型繁多，（结构化、非结构化文本、日志、视频、图片、地理位置等）；

商业价值高，但需要在海量数据之上，通过数据分析与机器学习快速的挖掘出来；

处理时效性高，海量数据的处理需求不再局限在离线计算当中。

第一章：Hadoop

在大数据存储和计算中Hadoop可以算是开山鼻祖，现在大多开源的大数据框架都依赖Hadoop或者与它能很好的兼容。

关于Hadoop，你至少需要搞清楚这些是什么：

自己学会如何搭建Hadoop，先让它跑起来。建议先使用安装包命令行安装，不要使用旦侍管理工具安装。现在都用Hadoop 2.0。

目录操作命令；上传、下载文件命令；提交运行MapReduce示例程序；打开Hadoop WEB界面，查看Job运行状态，查看Job运行日志。知道Hadoop的系统日志在哪里。

以上完成之后，就应该去了解他们的原理了：

MapReduce：如何分而治模老吵之；HDFS：数据到底在哪里，究竟什么才是副本；

Yarn到底是什么，它能干什么；NameNode到底在干些什么；Resource Manager到底在干些什么；

如果有合适的学习网站，视频就去听课，如果没有或者比较喜欢书籍，也可以啃书。当然最好的方法是先去搜索出来这些是干什么的，大概有了概念之后，然后再去听视频。

第二章：更高效的WordCount

在这里，一定要学习SQL，它会对你的工作有很大的帮助。

就像是你写（或者抄）的WordCount一共有几行代码？但是你用SQL就非常简单了，例如：

SELECT word,COUNT(1) FROM wordcount GROUP BY word；

这便是SQL的魅力，编程需要几十行，甚至上百行代码，而SQL一行搞定；使用SQL处理分析Hadoop上的数据，方便、高效、易上手、更是趋势。不论是离线计算还是实时计算，越来越多的大数据处理框架都在积极提供SQL接口。

另外就是SQL On Hadoop之Hive于大数据而言一定要学习的。

什么是Hive？

官方解释如下：The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax。

为什么说Hive是数据仓库工具，而不是数据库工具呢？

有的朋友可能不知道数据仓库，数据仓库是逻辑上的概念，底层使用的是数据库，数据仓库中的数据有这两个特点：最全的历史数据（海量）、相对含睁稳定的；所谓相对稳定，指的是数据仓库不同于业务系统数据库，数据经常会被更新，数据一旦进入数据仓库，很少会被更新和删除，只会被大量查询。而Hive，也是具备这两个特点，因此，Hive适合做海量数据的数据仓库工具，而不是数据库工具。

了解了它的作用之后，就是安装配置Hive的环节，当可以正常进入Hive命令行是，就是安装配置成功了。

了解Hive是怎么工作的

学会Hive的基本命令：

创建、删除表；加载数据到表；下载Hive表的数据；

MapReduce的原理（还是那个经典的题目，一个10G大小的文件，给定1G大小的内存，如何使用Java程序统计出现次数最多的10个单词及次数）；

HDS读写数据的流程；向HDFS中PUT数据；从HDFS中下载数据；

自己会写简单的MapReduce程序，运行出现问题，知道在哪里查看日志；

会写简单的Select、Where、group by等SQL语句；

Hive SQL转换成MapReduce的大致流程；

Hive中常见的语句：创建表、删除表、往表中加载数据、分区、将表中数据下载到本地；

从上面的学习，你已经了解到，HDFS是Hadoop提供的分布式存储框架，它可以用来存储海量数据，MapReduce是Hadoop提供的分布式计算框架，它可以用来统计和分析HDFS上的海量数据，而Hive则是SQL On Hadoop，Hive提供了SQL接口，开发人员只需要编写简单易上手的SQL语句，Hive负责把SQL翻译成MapReduce，提交运行。

此时，你的”大数据平台”是这样的：那么问题来了，海量数据如何到HDFS上呢？

第三章：数据采集

把各个数据源的数据采集到Hadoop上。

3.1 HDFS PUT命令

这个在前面你应该已经使用过了。put命令在实际环境中也比较常用，通常配合shell、python等脚本语言来使用。建议熟练掌握。

3.2 HDFS API

HDFS提供了写数据的API，自己用编程语言将数据写入HDFS，put命令本身也是使用API。

实际环境中一般自己较少编写程序使用API来写数据到HDFS，通常都是使用其他框架封装好的方法。比如：Hive中的INSERT语句，Spark中的saveAsTextfile等。建议了解原理，会写Demo。

3.3 Sqoop

Sqoop是一个主要用于Hadoop/Hive与传统关系型数据库，Oracle、MySQL、SQLServer等之间进行数据交换的开源框架。就像Hive把SQL翻译成MapReduce一样，Sqoop把你指定的参数翻译成MapReduce，提交到Hadoop运行，完成Hadoop与其他数据库之间的数据交换。

自己下载和配置Sqoop（建议先使用Sqoop1，Sqoop2比较复杂）。了解Sqoop常用的配置参数和方法。

使用Sqoop完成从MySQL同步数据到HDFS；使用Sqoop完成从MySQL同步数据到Hive表；如果后续选型确定使用Sqoop作为数据交换工具，那么建议熟练掌握，否则，了解和会用Demo即可。

3.4 Flume

Flume是一个分布式的海量日志采集和传输框架，因为“采集和传输框架”，所以它并不适合关系型数据库的数据采集和传输。Flume可以实时的从网络协议、消息系统、文件系统采集日志，并传输到HDFS上。

因此，如果你的业务有这些数据源的数据，并且需要实时的采集，那么就应该考虑使用Flume。

下载和配置Flume。使用Flume监控一个不断追加数据的文件，并将数据传输到HDFS；Flume的配置和使用较为复杂，如果你没有足够的兴趣和耐心，可以先跳过Flume。

3.5 阿里开源的DataX

现在DataX已经是3.0版本，支持很多数据源。

第四章：把Hadoop上的数据搞到别处去

Hive和MapReduce进行分析了。那么接下来的问题是，分析完的结果如何从Hadoop上同步到其他系统和应用中去呢？其实，此处的方法和第三章基本一致的。

HDFS GET命令：把HDFS上的文件GET到本地。需要熟练掌握。

HDFS API：同3.2.

Sqoop：同3.3.使用Sqoop完成将HDFS上的文件同步到MySQL；使用Sqoop完成将Hive表中的数据同步到MySQL。

如果你已经按照流程认真完整的走了一遍，那么你应该已经具备以下技能和知识点：

知道如何把已有的数据采集到HDFS上，包括离线采集和实时采集；

知道sqoop是HDFS和其他数据源之间的数据交换工具；

知道flume可以用作实时的日志采集。

从前面的学习，对于大数据平台，你已经掌握的不少的知识和技能，搭建Hadoop集群，把数据采集到Hadoop上，使用Hive和MapReduce来分析数据，把分析结果同步到其他数据源。

接下来的问题来了，Hive使用的越来越多，你会发现很多不爽的地方，特别是速度慢，大多情况下，明明我的数据量很小，它都要申请资源，启动MapReduce来执行。

第五章：SQL

其实大家都已经发现Hive后台使用MapReduce作为执行引擎，实在是有点慢。因此SQL On Hadoop的框架越来越多，按我的了解，最常用的按照流行度依次为SparkSQL、Impala和Presto.这三种框架基于半内存或者全内存，提供了SQL接口来快速查询分析Hadoop上的数据。

我们目前使用的是SparkSQL，至于为什么用SparkSQL，原因大概有以下吧：使用Spark还做了其他事情，不想引入过多的框架；Impala对内存的需求太大，没有过多资源部署。

5.1 关于Spark和SparkSQL

什么是Spark，什么是SparkSQL。

Spark有的核心概念及名词解释。

SparkSQL和Spark是什么关系，SparkSQL和Hive是什么关系。

SparkSQL为什么比Hive跑的快。

5.2 如何部署和运行SparkSQL

Spark有哪些部署模式？

如何在Yarn上运行SparkSQL？

使用SparkSQL查询Hive中的表。Spark不是一门短时间内就能掌握的技术，因此建议在了解了Spark之后，可以先从SparkSQL入手，循序渐进。

关于Spark和SparkSQL，如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的。

第六章：数据多次利用

请不要被这个名字所诱惑。其实我想说的是数据的一次采集、多次消费。

在实际业务场景下，特别是对于一些监控日志，想即时的从日志中了解一些指标（关于实时计算，后面章节会有介绍），这时候，从HDFS上分析就太慢了，尽管是通过Flume采集的，但Flume也不能间隔很短就往HDFS上滚动文件，这样会导致小文件特别多。

为了满足数据的一次采集、多次消费的需求，这里要说的便是Kafka。

关于Kafka：什么是Kafka？Kafka的核心概念及名词解释。

如何部署和使用Kafka：使用单机部署Kafka，并成功运行自带的生产者和消费者例子。使用Java程序自己编写并运行生产者和消费者程序。Flume和Kafka的集成，使用Flume监控日志，并将日志数据实时发送至Kafka。

如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的。

这时，使用Flume采集的数据，不是直接到HDFS上，而是先到Kafka，Kafka中的数据可以由多个消费者同时消费，其中一个消费者，就是将数据同步到HDFS。

如果你已经认真完整的学习了以上的内容，那么你应该已经具备以下技能和知识点：

为什么Spark比MapReduce快。

使用SparkSQL代替Hive，更快的运行SQL。

使用Kafka完成数据的一次收集，多次消费架构。

自己可以写程序完成Kafka的生产者和消费者。

从前面的学习，你已经掌握了大数据平台中的数据采集、数据存储和计算、数据交换等大部分技能，而这其中的每一步，都需要一个任务（程序）来完成，各个任务之间又存在一定的依赖性，比如，必须等数据采集任务成功完成后，数据计算任务才能开始运行。如果一个任务执行失败，需要给开发运维人员发送告警，同时需要提供完整的日志来方便查错。

第七章：越来越多的分析任务

不仅仅是分析任务，数据采集、数据交换同样是一个个的任务。这些任务中，有的是定时触发，有点则需要依赖其他任务来触发。当平台中有几百上千个任务需要维护和运行时候，仅仅靠crontab远远不够了，这时便需要一个调度监控系统来完成这件事。调度监控系统是整个数据平台的中枢系统，类似于AppMaster，负责分配和监控任务。

7.1 Apache Oozie

Oozie是什么？有哪些功能？

Oozie可以调度哪些类型的任务（程序）？

Oozie可以支持哪些任务触发方式？

安装配置Oozie。

7.2 其他开源的任务调度系统

Azkaban，light-task-scheduler，Zeus，等等。另外，我这边是之前单独开发的任务调度与监控系统，具体请参考《大数据平台任务调度与监控系统》。

第八章：我的数据要实时

在第六章介绍Kafka的时候提到了一些需要实时指标的业务场景，实时基本可以分为绝对实时和准实时，绝对实时的延迟要求一般在毫秒级，准实时的延迟要求一般在秒、分钟级。对于需要绝对实时的业务场景，用的比较多的是Storm，对于其他准实时的业务场景，可以是Storm，也可以是Spark Streaming。当然，如果可以的话，也可以自己写程序来做。

8.1 Storm

什么是Storm？有哪些可能的应用场景？

Storm由哪些核心组件构成，各自担任什么角色？

Storm的简单安装和部署。

自己编写Demo程序，使用Storm完成实时数据流计算。

8.2 Spark Streaming

什么是Spark Streaming，它和Spark是什么关系？

Spark Streaming和Storm比较，各有什么优缺点？

使用Kafka + Spark Streaming，完成实时计算的Demo程序。

至此，你的大数据平台底层架构已经成型了，其中包括了数据采集、数据存储与计算（离线和实时）、数据同步、任务调度与监控这几大模块。接下来是时候考虑如何更好的对外提供数据了。

第九章：数据要对外

通常对外（业务）提供数据访问，大体上包含以下方面。

离线：比如，每天将前一天的数据提供到指定的数据源（DB、FILE、FTP）等；离线数据的提供可以采用Sqoop、DataX等离线数据交换工具。

实时：比如，在线网站的推荐系统，需要实时从数据平台中获取给用户的推荐数据，这种要求延时非常低（50毫秒以内）。根据延时要求和实时数据的查询需要，可能的方案有：HBase、Redis、MongoDB、ElasticSearch等。

OLAP分析：OLAP除了要求底层的数据模型比较规范，另外，对查询的响应速度要求也越来越高，可能的方案有：Impala、Presto、SparkSQL、Kylin。如果你的数据模型比较规模，那么Kylin是最好的选择。

即席查询：即席查询的数据比较随意，一般很难建立通用的数据模型，因此可能的方案有：Impala、Presto、SparkSQL。

这么多比较成熟的框架和方案，需要结合自己的业务需求及数据平台技术架构，选择合适的。原则只有一个：越简单越稳定的，就是最好的。

机房中的KVM系统到底是个什么东西

KVM是键盘(Keyboard)、显示器(Video)、鼠标(Mouse)的缩写。KVM技术的核心思想是：通过适当的键盘、鼠标、显示器的配置，实现系统和网络的集中管理和提供起可管理性，提高系统管理员的工作效率，节约机房的面积，降低网络工程和服务器系统的总体拥有成本,避免使用多显示器产生的辐射，营建健康环保的机房。利用KVM多主机切换系统，就可以通过一套KVM在多个不同操作系统的主机或服务器之间进行切换了. 切换器（KVM）一般应用在尺宴哪些领域？ 信息控制中心 呼叫中心证券/金融交易系统银行数据中心工业控制环境教学环境测试中心所有多服务器或多计算机工作环境 切换器（KVM）的分类？ 按网络环境分：基于IP和非IP的（远程控制和一般应用） 按设备环境分：机械和电子的（手动和自动） 按安装方式分：台式和机架式 切换器（KVM）的基本特点？ 即插即用的设计，操作起来方便简单。 可支持PC、SUN和MAC等各种品牌计算机和服务器。 适用于NETWARE、WIN95/98/2000/ME/XP/NT、UNIX、OS/2等各种操作系统和应用软件。 可适配VGA、SVGA和XGA等各种分辨率显示器。 有自动扫描、热键切换和OSD菜单等强大功能。 切换器（KVM）有关的名词解释 热插拔(hot pluggable)---在电对设备进行插拔 热键切换(hot key command)---用定义键进行切换 多帆谨用户(multi-users)---两个以上用户操作主机 级联(cascading)---两个以上切换器操作八个以上主机 即插即用(plugplay)---无需驱动程序随时安装使用 多平台(multi-platform)---适于所有操作系统和软件环境 机架式(rackmountable)---可安装在19英寸机架上 使用切换器（KVM）的优越性 相对于数据仓库和互联网这些发展极快和服务器数量增加极快的公司来说，采用切换器（KVM）的优越性将体现在以下几个方面： 1. 节省空间： 对于这些发展极为快速的行业而言，原先所用的空间相对有限，而搬迁则会造成服务的停顿。在这些情况下，减少键盘、鼠标和显示器的数量，可以为新增加的服务器腾出大量的空间。 2.提高效率： 可以想象，当系统或网络维护人员穿梭于服务器、各种机柜所组成的丛林中，寻找出故障的机器时，效率是不会提高的。而这低效率，不但浪费了有限的人力资源，而且使出现的故障得不到及时的修复，使网络或数据中心出现不应有的停顿。能实现在由一套键盘、鼠标、显示器组成的控制台登陆所有的机器，势必将极大地提高系统或网络维护人员的工作效率。 3.加强管理： 工作效率的提高，意味着网络或数据中心得到了有效的管理，从而提高了这些系统的稳定性和安全性。 4.节约成本： 网络运营成本，尤其是那些必须24小时不间断运行的网络及数据中心的运行成本，逐渐成为网络经营商们成功的关键因素。同时，硬件软件费用、人员费用以及场地费用也是公司运营费用的主要组成部分。对于这些发展极为快速的行业而言，原先所用的空间相对有限，而搬迁则会造成服务的停顿。在这些情况下，减少键盘、鼠标和显示器的数量，可以为新增加的服务器腾出大量的空间，同时节约了大量的成本态困基。 5.远程管理： 系统的远程维护和管理也是这些大型系统所面临的重要问题。系统的管理和维护人员不可能24小时在机房里值班，而机器故障却可能在任何时候发生，因信息的交通堵塞而造成系统长时间的不稳定将极大地损坏企业的形象或产生重大的损失。通过远程的键盘、鼠标和显示器来实现系统的远程管理、维护是保证系统24小时不间断、稳定运行的重要手段。 6.环保节能： 使用KVM Switch可避免使用多台显示器，从而减少辐射，节省空调、能源等的消耗，营造健康环保节能的工作环境。 因此，实现一个用户使用一套键盘、鼠标、显示器去访问和操作一台以上主机的功能将为不少的企业节省了空间和服务器外设产品资源，有效提高大规模应用的管理能力。

“客户关系管理系统”名词解释要怎么解释

客户关系管理系统是指利用软件、硬件和网络技术，为企业建立一个客户信息收集、管理、分析和利用的信息系统。

以客户数据的管理为核心，记录企业在市场营销和销售过程中和客户发生的各种交互行为，以及各类有关活动的状态，提供各类数据模型，为后期的分析和决策提供哗郑支持。

企业中每个部门都需要与客户进行接触，而市场营销、销售、客户服务部门与客户的接触最为频繁，因此，客户关系管理系统需要对这些部门提供支持州槐，业务操作管理系统便应运而生。业务操作管理系统主要实现了市场营销、销售、客户服务与支持等三种基本功能。

扩展资料：

客户关系管理系统涉及种类繁多的信息技术，比如数据仓库、网络、多媒体等许多先进的技术。同时，为了实现与客户的全方位交流和互动，要求呼叫中心、销售平台、远端销册芦友售、移动设备以及基于因特网的电子商务站点的有机结合。

这些不同的技术和不同规则的功能模块要结合成统一的客户关系管理系统，需要不同类型的资源和专门的技术支持。因此，客户关系管理系统具有高技术的特征。

[img]

关于数据仓库名词解释和简述数据仓库概念及用途的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。