如何获得大数据的途径（6种数据的收集方法）

4V定义很深，然而对于大部分做大数据的人而言，这个定义并没有什么卵用。一般语用中的大数据事实上是指分布式存储系统(distributed file

system)和基于此系统的数据生态环境。

在理解“大数据”之前，首先要回答为啥这个问题不能用抽样生成的小样本+概率统计来解决?

目前来看，有两种情况。第一，需要描述全局状态的，比如page rank 算法; 第二，需要做长尾的，抽样很可能方差太大，大概也就是做个性化推荐的。最近“大数据”的兴起，跟个性化算法的兴起有很大关系。没有个性化服务要求，就搜索那几家大佬折腾一下就完了。

其次要回答的问题是，为啥必须要用分布式文件系统？

简单的回答就是文件大。顺着慧航的杆爬一下，matlab不是不能做“大数据”分析，但是你上哪儿找内存能放下几个T数据的服务器？

但是要是内存不是问题呢？matlab可不可以做大数据分析呢?如果计算时间不是问题，那也是可以的。万一时间成问题怎么办？

2000年左右的Google面临一个问题，那就是page rank每天得算，单一服务器的运算能力又叫人着急，怎么办？

要抢时间，就要连几百台服务器，连上这么多服务器时，0.1%的故障率都会保证几乎每天都有服务器挂掉。所以不仅要并行，还要做文件备份。文件备份时，怎么确保进程读写不冲突，怎么确保鸡蛋不在一个篮子里放着(即文件本身和备份都在一个服务器上)？

于是就有了分布式文件系统。后来Yahoo的一个工程师团队把Yahoo的系统开源了，就有了Hadoop；facebook在此基础上做了类sql的hive；Twitter贡献了流处理的storm。这三家的业务共性是，要扫全量，及时性要求高，单机计算能力着急所以要大规模并行且保证稳定性。

世界上真正需要大数据的公司木有几家，世界上真正需要用大数据处理的问题木有几个。

说自己做大数据，要么在吹牛逼，要么在装牛逼。要么就是公司搭了hadoop懒得做抽样和算法优化。

当向百度提交一个"珠串"搜索请求时，百度要知道哪些网页和珠串相关，这用到page rank算法，这要求百度把整个中文互联网都爬下来筛一遍，要是没有几万个Map Reduce任务跑，每天更新网页权重，题主只能搜到半年前的信息。

假设题主是淘宝小二，并且花钱做广告位宣传，那么淘宝需要大数据技术。它需要定时更新几亿用户的购买行为，并找到浏览过或者买过珠串这样巨长尾事件的用户，如果不用分布式文件系统，要不找不到(抽样)，要不找到时效性太差(单服务器搜索)。

但是如果题主只是关心珠串好不好卖，怎么定价，那么本身并不需要大数据技术。理论上说完全是一个代表性样本可以解决的问题，全国抽样做不了可以做地区抽样，地区抽样做不了可以做代表性访谈。

这个世界不会因为你手里有把榔头，就把所有问题变成钉子。况且榔头还在别人手里。