nosql复杂条件查询 实验4 sql的复杂查询

nosql中最具扩展性的

在NoSQL数据库中，具有扩展性的通常是分布式数据库，因为它们可以分布在多个节点上，从而实现更好的可扩展性和容错性。以下是一些具有扩展性的NoSQL数据库：

Apache Cassandra：Cassandra是一个开源的分布式NoSQL数据库，它采用分布式环状数据结构来存储数据，并具有高度的可扩展性和容错性。它适用于需要处理大规模读写操作的应用程序，如社交网络、在线广告和电子商务等。

MongoDB：MongoDB是一个流行的文档数据库，它支持JSON文档存储和查询，并具有不错的可扩展性和容错性。它采用分片技术来实现水平扩展，可以适用于需要处理大量数据和高并发读写操作的应用程序，如Web应用、移动应用和游戏等。

Apache Hadoop：Hadoop是一个开源的分布式计算框架，它可以处理大规模的数据集并具有非常高的可扩展性和容错性。它采用分布式文件系统（HDFS）来存储数据，适用于需要处理大规模数据集和进行复杂分析的应用程序，如大数据分析和云计算等。

需要注意的是，每个NoSQL数据库都有其优点和适用场景，具体的选择需要根据实际需求来确定。

大数据怎么做

1. 大数据处理之一：采集

大数据的采集是指利用多个数据库来接收发自客户端(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。

在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户 来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间 进行负载均衡和分片的确是需要深入的思考和设计。

2. 大数据处理之二：导入/预处理

虽然采集端本身会有很多数据库，但是如果要对这些海量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，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，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. 大数据处理之三：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海量数据进行普通 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，特别是I/O会有极大的占用。

4. 大数据处理之四：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，从而实现一些高级别数据分析的需求。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NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并 且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。