這篇文章主要介紹“l(fā)inux數(shù)據(jù)分析工具怎么用”，在日常操作中，相信很多人在linux數(shù)據(jù)分析工具怎么用問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”linux數(shù)據(jù)分析工具怎么用”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習吧！
創(chuàng)新互聯(lián)建站專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務(wù)，包含不限于成都網(wǎng)站制作、成都網(wǎng)站建設(shè)、麻栗坡網(wǎng)絡(luò)推廣、小程序設(shè)計、麻栗坡網(wǎng)絡(luò)營銷、麻栗坡企業(yè)策劃、麻栗坡品牌公關(guān)、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運營等，從售前售中售后，我們都將竭誠為您服務(wù)，您的肯定，是我們最大的嘉獎；創(chuàng)新互聯(lián)建站為所有大學(xué)生創(chuàng)業(yè)者提供麻栗坡建站搭建服務(wù)，24小時服務(wù)熱線：18982081108，官方網(wǎng)址：www.cdcxhl.com
linux數(shù)據(jù)分析工具有：1、Hadoop，是一個能夠?qū)Υ罅繑?shù)據(jù)進行分布式處理的軟件框架；2、Storm，可以非常可靠的處理龐大的數(shù)據(jù)流，用于處理Hadoop的批量數(shù)據(jù)；3、RapidMiner，用于數(shù)據(jù)挖掘并進行可視化建模；4、wc等等。
本教程操作環(huán)境：linux5.9.8系統(tǒng)、Dell G3電腦。
6個linux大數(shù)據(jù)處理分析工具
1、Hadoop
Hadoop 是一個能夠?qū)Υ罅繑?shù)據(jù)進行分布式處理的軟件框架。但是 Hadoop 是以一種可靠、高效、可伸縮的方式進行處理的。
Hadoop 是可靠的，因為它假設(shè)計算元素和存儲會失敗，因此它維護多個工作數(shù)據(jù)副本，確保能夠針對失敗的節(jié)點重新分布處理。
Hadoop 是高效的，因為它以并行的方式工作，通過并行處理加快處理速度。
Hadoop 還是可伸縮的，能夠處理 PB 級數(shù)據(jù)。此外，Hadoop 依賴于社區(qū)服務(wù)器，因此它的成本比較低，任何人都可以使用。
Hadoop是一個能夠讓用戶輕松架構(gòu)和使用的分布式計算平臺。用戶可以輕松地在Hadoop上開發(fā)和運行處理海量數(shù)據(jù)的應(yīng)用程序。它主要有以下幾個優(yōu)點：
高可靠性。Hadoop按位存儲和處理數(shù)據(jù)的能力值得人們信賴。
高擴展性。Hadoop是在可用的計算機集簇間分配數(shù)據(jù)并完成計算任務(wù)的，這些集簇可以方便地擴展到數(shù)以千計的節(jié)點中。
高效性。Hadoop能夠在節(jié)點之間動態(tài)地移動數(shù)據(jù)，并保證各個節(jié)點的動態(tài)平衡，因此處理速度非常快。
高容錯性。Hadoop能夠自動保存數(shù)據(jù)的多個副本，并且能夠自動將失敗的任務(wù)重新分配。
Hadoop帶有用 Java 語言編寫的框架，因此運行在 Linux 生產(chǎn)平臺上是非常理想的。Hadoop 上的應(yīng)用程序也可以使用其他語言編寫，比如 C++。
2、HPCC
HPCC，High Performance Computing and Communications(高性能計算與通信)的縮寫。1993年，由美國科學(xué)、工程、技術(shù)聯(lián)邦協(xié)調(diào)理事會向國會提交了“重大挑戰(zhàn)項目：高性能計算與 通信”的報告，也就是被稱為HPCC計劃的報告，即美國總統(tǒng)科學(xué)戰(zhàn)略項目，其目的是通過加強研究與開發(fā)解決一批重要的科學(xué)與技術(shù)挑戰(zhàn)問題。HPCC是美國 實施信息高速公路而上實施的計劃，該計劃的實施將耗資百億美元，其主要目標要達到：開發(fā)可擴展的計算系統(tǒng)及相關(guān)軟件，以支持太位級網(wǎng)絡(luò)傳輸性能，開發(fā)千兆 比特網(wǎng)絡(luò)技術(shù)，擴展研究和教育機構(gòu)及網(wǎng)絡(luò)連接能力。
該項目主要由五部分組成：
高性能計算機系統(tǒng)(HPCS)，內(nèi)容包括今后幾代計算機系統(tǒng)的研究、系統(tǒng)設(shè)計工具、先進的典型系統(tǒng)及原有系統(tǒng)的評價等;
先進軟件技術(shù)與算法(ASTA)，內(nèi)容有巨大挑戰(zhàn)問題的軟件支撐、新算法設(shè)計、軟件分支與工具、計算計算及高性能計算研究中心等;
國家科研與教育網(wǎng)格(NREN)，內(nèi)容有中接站及10億位級傳輸?shù)难芯颗c開發(fā);
基本研究與人類資源(BRHR)，內(nèi)容有基礎(chǔ)研究、培訓(xùn)、教育及課程教材，被設(shè)計通過獎勵調(diào)查者-開始的，長期 的調(diào)查在可升級的高性能計算中來增加創(chuàng)新意識流，通過提高教育和高性能的計算訓(xùn)練和通信來加大熟練的和訓(xùn)練有素的人員的聯(lián)營，和來提供必需的基礎(chǔ)架構(gòu)來支 持這些調(diào)查和研究活動;
信息基礎(chǔ)結(jié)構(gòu)技術(shù)和應(yīng)用(IITA )，目的在于保證美國在先進信息技術(shù)開發(fā)方面的領(lǐng)先地位。
3、Storm
Storm是自由的開源軟件，一個分布式的、容錯的實時計算系統(tǒng)。Storm可以非?？煽康奶幚睚嫶蟮臄?shù)據(jù)流，用于處理Hadoop的批量數(shù)據(jù)。Storm很簡單，支持許多種編程語言，使用起來非常有趣。Storm由Twitter開源而來，其它知名的應(yīng)用企業(yè)包括Groupon、淘寶、支付寶、阿里巴巴、樂元素、 Admaster等等。
Storm有許多應(yīng)用領(lǐng)域：實時分析、在線機器學(xué)習、不停頓的計算、分布式RPC(遠過程調(diào)用協(xié)議，一種通過網(wǎng)絡(luò)從遠程計算機程序上請求服務(wù))、 ETL(Extraction-Transformation-Loading的縮寫，即數(shù)據(jù)抽取、轉(zhuǎn)換和加載)等等。Storm的處理速度驚人：經(jīng)測 試，每個節(jié)點每秒鐘可以處理100萬個數(shù)據(jù)元組。Storm是可擴展、容錯，很容易設(shè)置和操作。
4、Apache Drill
為了幫助企業(yè)用戶尋找更為有效、加快Hadoop數(shù)據(jù)查詢的方法，Apache軟件基金會近日發(fā)起了一項名為“Drill”的開源項目。Apache Drill 實現(xiàn)了 Google’s Dremel.
據(jù)Hadoop廠商MapR Technologies公司產(chǎn)品經(jīng)理Tomer Shiran介紹，“Drill”已經(jīng)作為Apache孵化器項目來運作，將面向全球軟件工程師持續(xù)推廣。
該項目將會創(chuàng)建出開源版本的谷歌Dremel Hadoop工具(谷歌使用該工具來為Hadoop數(shù)據(jù)分析工具的互聯(lián)網(wǎng)應(yīng)用提速)。而“Drill”將有助于Hadoop用戶實現(xiàn)更快查詢海量數(shù)據(jù)集的目的。
“Drill”項目其實也是從谷歌的Dremel項目中獲得靈感：該項目幫助谷歌實現(xiàn)海量數(shù)據(jù)集的分析處理，包括分析抓取Web文檔、跟蹤安裝在Android Market上的應(yīng)用程序數(shù)據(jù)、分析垃圾郵件、分析谷歌分布式構(gòu)建系統(tǒng)上的測試結(jié)果等等。
通過開發(fā)“Drill”Apache開源項目，組織機構(gòu)將有望建立Drill所屬的API接口和靈活強大的體系架構(gòu)，從而幫助支持廣泛的數(shù)據(jù)源、數(shù)據(jù)格式和查詢語言。
5、RapidMiner
RapidMiner是世界領(lǐng)先的數(shù)據(jù)挖掘解決方案，在一個非常大的程度上有著先進技術(shù)。它數(shù)據(jù)挖掘任務(wù)涉及范圍廣泛，包括各種數(shù)據(jù)藝術(shù)，能簡化數(shù)據(jù)挖掘過程的設(shè)計和評價。
功能和特點
免費提供數(shù)據(jù)挖掘技術(shù)和庫
100%用Java代碼(可運行在操作系統(tǒng))
數(shù)據(jù)挖掘過程簡單，強大和直觀
內(nèi)部XML保證了標準化的格式來表示交換數(shù)據(jù)挖掘過程
可以用簡單腳本語言自動進行大規(guī)模進程
多層次的數(shù)據(jù)視圖，確保有效和透明的數(shù)據(jù)
圖形用戶界面的互動原型
命令行(批處理模式)自動大規(guī)模應(yīng)用
Java API(應(yīng)用編程接口)
簡單的插件和推廣機制
強大的可視化引擎，許多尖端的高維數(shù)據(jù)的可視化建模
400多個數(shù)據(jù)挖掘運營商支持
耶魯大學(xué)已成功地應(yīng)用在許多不同的應(yīng)用領(lǐng)域，包括文本挖掘，多媒體挖掘，功能設(shè)計，數(shù)據(jù)流挖掘，集成開發(fā)的方法和分布式數(shù)據(jù)挖掘。
6、 Pentaho BI
Pentaho BI 平臺不同于傳統(tǒng)的BI 產(chǎn)品，它是一個以流程為中心的，面向解決方案(Solution)的框架。其目的在于將一系列企業(yè)級BI產(chǎn)品、開源軟件、API等等組件集成起來，方便商務(wù)智能應(yīng)用的開發(fā)。它的出現(xiàn)，使得一系列的面向商務(wù)智能的獨立產(chǎn)品如Jfree、Quartz等等，能夠集成在一起，構(gòu)成一項項復(fù)雜的、完整的商務(wù)智能解決方案。
Pentaho BI 平臺，Pentaho Open BI 套件的核心架構(gòu)和基礎(chǔ)，是以流程為中心的，因為其中樞控制器是一個工作流引擎。工作流引擎使用流程定義來定義在BI 平臺上執(zhí)行的商業(yè)智能流程。流程可以很容易的被定制，也可以添加新的流程。BI 平臺包含組件和報表，用以分析這些流程的性能。目前，Pentaho的主要組成元素包括報表生成、分析、數(shù)據(jù)挖掘和工作流管理等等。這些組件通過 J2EE、WebService、SOAP、HTTP、Java、JavaScript、Portals等技術(shù)集成到Pentaho平臺中來。 Pentaho的發(fā)行，主要以Pentaho SDK的形式進行。
Pentaho SDK共包含五個部分：Pentaho平臺、Pentaho示例數(shù)據(jù)庫、可獨立運行的Pentaho平臺、Pentaho解決方案示例和一個預(yù)先配制好的 Pentaho網(wǎng)絡(luò)服務(wù)器。其中Pentaho平臺是Pentaho平臺最主要的部分，囊括了Pentaho平臺源代碼的主體;Pentaho數(shù)據(jù)庫為 Pentaho平臺的正常運行提供的數(shù)據(jù)服務(wù)，包括配置信息、Solution相關(guān)的信息等等，對于Pentaho平臺來說它不是必須的，通過配置是可以用其它數(shù)據(jù)庫服務(wù)取代的;可獨立運行的Pentaho平臺是Pentaho平臺的獨立運行模式的示例，它演示了如何使Pentaho平臺在沒有應(yīng)用服務(wù)器支持的情況下獨立運行;Pentaho解決方案示例是一個Eclipse工程，用來演示如何為Pentaho平臺開發(fā)相關(guān)的商業(yè)智能解決方案。
Pentaho BI 平臺構(gòu)建于服務(wù)器，引擎和組件的基礎(chǔ)之上。這些提供了系統(tǒng)的J2EE 服務(wù)器，安全，portal，工作流，規(guī)則引擎，圖表，協(xié)作，內(nèi)容管理，數(shù)據(jù)集成，分析和建模功能。這些組件的大部分是基于標準的，可使用其他產(chǎn)品替換之。
9個linux數(shù)據(jù)分析命令行工具
1、head與tail
首先，讓我們先從文件處理開始。文件中有什么內(nèi)容?其格式如何?大家可以使用cat命令在終端中顯示文件，但其顯然不適合處理內(nèi)容較長的文件。
輸入head與tail，二者能夠完整顯示文件中的指定行數(shù)內(nèi)容。如果大家未指定行數(shù)，則默認顯示其中10行。
$ tail -n 3 jan2017articles.csv 02 Jan 2017,Article,Scott Nesbitt,3 tips for effectively using wikis for documentation,1,/article/17/1/tips-using-wiki-documentation,"Documentation, Wiki",710 02 Jan 2017,Article,Jen Wike Huger,The Opensource.com preview for January,0,/article/17/1/editorial-preview-january,,358 02 Jan 2017,Poll,Jason Baker,What is your open source New Year's resolution?,1,/poll/17/1/what-your-open-source-new-years-resolution,,186
在最后三行中，我能夠找到日期、作者姓名、標題以及其他一些信息。不過由于缺少列頭，我不清楚各列的具體含義。下面查看各列的具體標題：
$ head -n 1 jan2017articles.csv Post date,Content type,Author,Title,Comment count,Path,Tags,Word count
現(xiàn)在一切都非常明確，我們可以看到發(fā)布日期、內(nèi)容類型、作者、標題、提交次數(shù)、相關(guān)URL、各文章標簽以及字數(shù)。
2、wc
但如果需要分析數(shù)百甚至上千篇文章，又該如何處理?這里就要使用wc命令了——其為“字數(shù)”一詞的縮寫。wc能夠?qū)ξ募淖止?jié)、字符、單詞或者行數(shù)進行計數(shù)。在本示例中，我們希望了解文章中的行數(shù)。
$ wc -l jan2017articles.csv 93 jan2017articles.csv
本文件共有93行，考慮到第一行中包含文件標題，因此可以推測此文件是一份包含92篇文章的列表。
3、grep
下面提出新的問題：其中有多少篇文章與安全話題有關(guān)?為了實現(xiàn)目標，我們假定需要的文章會在標題、標簽或者其他位置提到安全這一字眼。這時，grep工具可用于通過特定字符搜索文件或者實現(xiàn)其他搜索模式。這是一款極為強大的工具，因為我們甚至能夠利用正則表達式建立極為精確的匹配模式。不過這里，我們只需要尋找一條簡單的字符串。
$ grep -i "security" jan2017articles.csv 30 Jan 2017,Article,Tiberius Hefflin,4 ways to improve your security online right now,3,/article/17/1/4-ways-improve-your-online-security,Security and encryption,1242 28 Jan 2017,Article,Subhashish Panigrahi,How communities in India support privacy and software freedom,0,/article/17/1/how-communities-india-support-privacy-software-freedom,Security and encryption,453 27 Jan 2017,Article,Alan Smithee,Data Privacy Day 2017: Solutions for everyday privacy,5,/article/17/1/every-day-privacy,"Big data, Security and encryption",1424 04 Jan 2017,Article,Daniel J Walsh,50 ways to avoid getting hacked in 2017,14,/article/17/1/yearbook-50-ways-avoid-getting-hacked,"Yearbook, 2016 Open Source Yearbook, Security and encryption, Containers, Docker, Linux",2143
我們使用的格式為grep加-i標記(告知grep不區(qū)分大小寫)，再加我們希望搜索的模式，最后是我們所搜索的目標文件的位置。最后我們找到了4篇安全相關(guān)文章。如果搜索的范圍更加具體，我們可以使用pipe——它能夠?qū)rep同wc命令加以結(jié)合，用以了解其中有多少行提到了安全內(nèi)容。
$ grep -i "security" jan2017articles.csv | wc -l 4
這樣，wc會提取grep命令的輸出結(jié)果并將其作為輸入內(nèi)容。很明顯，這種結(jié)合再加上一點shell腳本，終端將立即變成一款強大的數(shù)據(jù)分析工具。
4、tr
在多數(shù)分析場景下，我們都會面對CSV文件——但我們該如何將其轉(zhuǎn)換為其他格式以實現(xiàn)不同應(yīng)用方式?這里，我們將其轉(zhuǎn)化為HTML形式以通過表格進行數(shù)據(jù)使用。tr命令可幫助大家實現(xiàn)這一目標，它可將一類字符轉(zhuǎn)化為另一類。同樣的，大家也可以配合pipe命令實現(xiàn)輸出/輸入對接。
下面，我們試試另一個多部分示例，即創(chuàng)建一個TSV(即制表符分隔值)文件，其中只包含發(fā)表于1月20日的文章。
$ grep "20 Jan 2017" jan2017articles.csv | tr ',' '/t' > jan20only.tsv
首先，我們利用grep進行日期查詢。我們將此結(jié)果pipe至tr命令，并利用后者將全部逗號替換為tab(表示為'/t')。但結(jié)果去哪了?這里我們使用〉字符將結(jié)果輸出為新文件而非屏幕結(jié)果。如此一來，我們可以dqywjan20only.tsv文件中一定包含預(yù)期的數(shù)據(jù)。
$ cat jan20only.tsv 20 Jan 2017 Article Kushal Das 5 ways to expand your project's contributor base 2 /article/17/1/expand-project-contributor-base Getting started 690 20 Jan 2017 Article D Ruth Bavousett How to write web apps in R with Shiny 2 /article/17/1/writing-new-web-apps-shiny Web development 218 20 Jan 2017 Article Jason Baker "Top 5: Shell scripting the Cinnamon Linux desktop environment and more" 0 /article/17/1/top-5-january-20 Top 5 214 20 Jan 2017 Article Tracy Miranda How is your community promoting diversity? 1 /article/17/1/take-action-diversity-tech Diversity and inclusion 1007
5、sort
如果我們先要找到包含信息最多的特定列，又該如何操作?假設(shè)我們需要了解哪篇文章包含最長的新文章列表，那么面對之前得出的1月20日文章列表，我們可以使用sort命令對列字數(shù)進行排序。在這種情況下，我們并不需要使用中間文件，而可以繼續(xù)使用pipe。不過將長命令鏈拆分成較短的部分往往能夠簡化整個操作過程。
$ sort -nr -t$'/t' -k8 jan20only.tsv | head -n 1 20 Jan 2017 Article Tracy Miranda How is your community promoting diversity? 1 /article/17/1/take-action-diversity-tech Diversity and inclusion 1007
以上是一條長命令，我們嘗試進行拆分。首先，我們使用sort命令對字數(shù)進行排序。-nr選項告知sort以數(shù)字排序，并將結(jié)果進行反向排序(由大到小)。此后的-t$'/t'則告知sort其中的分隔符為tab('/t')。其中的$要求此shell為一條需要處理的字符串，并將/n返回為tab。而-k8部分則告知sort命令使用第八列，即本示例中進行字數(shù)統(tǒng)計的目標列。
最后，輸出結(jié)果被pipe至head，處理后在結(jié)果中顯示此文件中包含最多字數(shù)的文章標題。
6、sed
大家可能還需要在文件中選擇特定某行。這里可以使用sed。如果希望將全部包含標題的多個文件加以合并，并只為整體文件顯示一組標題，即需要清除額外內(nèi)容； 或者希望只提取特定行范圍，同樣可以使用sed。另外，sed還能夠很好地完成批量查找與替換任務(wù)。
下面立足之前的文章列表創(chuàng)建一個不含標題的新文件，用于同其他文件合并(例如我們每月都會定期生成某個文件，現(xiàn)在需要將各個月份的內(nèi)容進行合并)。
$ sed '1 d' jan2017articles.csv > jan17no_headers.csv
其中的“1 d”選項要求sed刪除第一行。
7、cut
了解了如何刪除行，那么我們該如何刪除列?或者說如何只選定某一列?下面我們嘗試為之前生成的列表創(chuàng)建一份新的作者清單。
$ cut -d',' -f3 jan17no_headers.csv > authors.txt
在這里，通過cut與-d相配合代表著我們需要第三列(-f3)，并將結(jié)果發(fā)送至名為authors.txt的新文件。
8、uniq
作者清單已經(jīng)完成，但我們要如何知悉其中包含多少位不同的作者?每位作者又各自編寫了多少篇文章?這里使用unip。下面我們對文件進行sort排序，找到唯一值，而后計算每位作者的文章數(shù)量，并用結(jié)果替換原本內(nèi)容。
sort authors.txt | uniq -c > authors.txt
現(xiàn)在已經(jīng)可以看到每位作者的對應(yīng)文章數(shù)，下面檢查最后三行以確保結(jié)果正確。
$ tail -n3 authors-sorted.txt 1 Tracy Miranda 1 Veer Muchandi 3 VM (Vicky) Brasseur
9、awk
最后讓我們了解最后一款工具，awk。awk是一款出色的替換性工具，當然其功能遠不止如此。下面我們重新回歸1月12日文章列表TSV文件，利用awk創(chuàng)建新列表以標明各篇文章的作者以及各作者編寫的具體字數(shù)。
重慶分公司
重慶分公司
$ awk -F "/t" '{print $3 " " $NF}' jan20only.tsv
Kushal Das 690
D Ruth Bavousett 218
Jason Baker 214
Tracy Miranda 1007其中的-F "/t"用于告知awk目前處理的是由tab分隔的數(shù)據(jù)。在大括號內(nèi)，我們?yōu)閍wk提供執(zhí)行代碼。$3代表要求其將輸出第三行，而$NF則代表輸出最后一行(即‘字段數(shù)’的縮寫)，并在兩項結(jié)果間添加兩個空格以進行明確劃分。
雖然這里列舉的例子規(guī)模較小，看似不必使用上述工具解決，但如果將范圍擴大到包含93000行的文件，那么它顯然很難利用電子表格程序進行處理。
利用這些簡單的工具與小型腳本，大家可以避免使用數(shù)據(jù)庫工具并輕松完成大量數(shù)據(jù)統(tǒng)計工作。無論您是專業(yè)人士還是業(yè)余愛好者，它的作用都不容忽視。
到此，關(guān)于“l(fā)inux數(shù)據(jù)分析工具怎么用”的學(xué)習就結(jié)束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學(xué)習，快去試試吧！若想繼續(xù)學(xué)習更多相關(guān)知識，請繼續(xù)關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>
名稱欄目：linux數(shù)據(jù)分析工具怎么用
鏈接分享：http://weahome.cn/article/ieicoi.html
