データ分析基盤の理解を深めるために、ビッグデータを支える技術を学習中。
今回は、データパイプラインについてまとめます。
データパイプライン
データパイプラインは、次々と受け渡されていくデータによって構成されるシステム。
データパイプライン全体の動作を管理するために、ワークフロー管理が用いられる。毎日決まった時間にバッチ処理をスケジュール実行したり、エラーが発生した場合に管理者に通知したり。
データ収集
データ取集方法 | 説明 |
---|---|
ストリーミング型 | 次々と生成されるデータを絶え間なく送り続ける方法。モバイルアプリや組み込み機器などから広くデータを集めるのに使う。 |
バルク型 | データをまとめて取り出す方法。データベースやファイルサーバーなどから定期的にデータを集めるのに使う。 |
データ処理
データ処理方法 | 説明 |
---|---|
ストリーム処理 | リアルタイム処理。リアルタイムデータ。 |
バッチ処理 | ある程度まとまったデータを効率良く処理。長期データ。 |
分散データ処理 | 分散ストレージに蓄えたデータを処理。MapReduce、クエリエンジン(Hive、Prestoなど)が使われる。ETL(extract-transfer-load)プロセスで加工してデータマートへ。 |
分散ストレージは、多数のコンピュータとディスクから成るストレージの総称。代表的なのは、オブジェクトストレージで、ひとまとまりのデータに名前を付けてファイルとして保存。クラウドサービスのAmazonS3が有名。