大数据节点图

❶ 大数据初学者应该怎么学

记住学到这里可以作为你学大数据的一个节点。

Zookeeper：这是个万金油，安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。它一般用来存放一些相互协作的信息，这些信息比较小一般不会超过1M，都是使用它的软件对它有依赖，对于我们个人来讲只需要把它安装正确，让它正常的run起来就可以了。

Mysql：我们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，因为一会装hive的时候要用到，mysql需要掌握到什么层度那?你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，创建数据库。这里主要的是学习SQL的语法，因为hive的语法和这个非常相似。

Sqoop：这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个，直接把Mysql数据表导出成文件再放到HDFS上也是一样的，当然生产环境中使用要注意Mysql的压力。

Hive：这个东西对于会SQL语法的来说就是神器，它能让你处理大数据变的很简单，不会再费劲的编写MapRece程序。有的人说Pig那?它和Pig差不多掌握一个就可以了。

Oozie：既然学会Hive了，我相信你一定需要这个东西，它可以帮你管理你的Hive或者MapRece、Spark脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的，不然你看着那一大堆脚本，和密密麻麻的crond是不是有种想屎的感觉。

Hbase：这是Hadoop生态体系中的NOSQL数据库，他的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。

Kafka：这是个比较好用的队列工具，队列是干吗的?排队买票你知道不?数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据(比如好几百G的文件)我怎么处理得过来，你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了，因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS，这时你可以与一个叫Flume的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各种数据接受方(比如Kafka)的。

Spark：它是用来弥补基于MapRece处理数据速度上的缺点，它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算，所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它，因为它们都是用JVM的。

❷ 阿里巴巴大数据将严重威胁国家安全吗

阿里巴巴大数据对个人隐私的威胁的确存在，但并不是没有解决的办法，即便担忧对国家安全产生威胁，也不必动辄高呼“国有化”。

1. 阿里巴巴并不能掌握“各种战略资源的流转”，阿里的大数据本身就包含各种商品流转的数据，通过各种商品的流转很容易分析出国家各种资源的流转，由此绘制出中国各种战略资源的流转及节点图。显然，无论战时还是平时，这样一份战略资源的流转及节点图都可用作瓦解国家安全的导航图。

2. 首先，虽然阿里巴巴在中国电商中占据主导地位，但据国家统计局和商务部数据显示，阿里巴巴还远未达到掌握绝大多数商品流转数据的程度。

3. 更重要的是，阿里巴巴即便掌握商品流转的数据，距离分析出各种资源的流转也很远，更不要说在目前的占有规模下分析出“各种战略资源的流转”。

4. 事实上，在今年稍早些时候，在药品领域，阿里巴巴曾面临过更具体的指责。南方周末报道称，按照国家食药总局的监管要求，中国各类药品从生产、流通、经营和消费等所有节点的全部信息，将会储存在“阿里云”上。当时就有人认为，阿里健康将就此“运用大数据的研究方法，分析药品电子监管码所蕴含的信息，能够绘制出国内的疾病发生的时间、地域、周期，进而掌握国人的健康情况；甚至还能通过药品流转，绘制出中国各种战略资源节点图。”

5. 仅凭阿里巴巴掌握了很多电子商务数据，就认为这些数据有可能被制作成“瓦解国家安全的导航图”，是耸人听闻的说法。

6. 大数据的能力不应该被过度夸大，声称“大数据威胁国家安全”的这篇文章，还一个说法是，“阿里巴巴的大数据和云计算简直就是有史以来最为强大的情报搜集和分析系统——通过其大数据和云计算，中国人的一举一动及行为偏好都可以尽在其掌握之中。”这种说法完全是过分虚夸了大数据的能力。

❸ 大数据Hadoop之ZooKeeper认识

Zookeeper字面上理解就是动物管理员，Hadoop生态圈中很多开源项目使用动物命名，那么需要一个管理员来管理这些“动物”。

在集群的管理中Zookeeper起到非常重要的角色，他负责分布式应用程序协调的工作。

Zookeeper管理集群会选举一个Leader节点（可参考FastLeader选举算法，即快速选举Leader节点），Leader节点主要负责整个Zookeeper集群的运行管理，Follower负责管理具体的数据存储与读取。

Zookeeper主要提供以下四点功能：统一命名服务、配置管理、集群管理、共享锁和队列管理，用于高效的管理集群的运行。

1. 统一命名服务

命名服务指通过指定的名字获取资源或者服务提供者的信息。分布式应用中，通常需要有一套完整的命名规则，既能够产生唯一的名称又便于识别和记忆。通常情况下使用树形的名称结构是一个理想的选择，树形的名称结构是一个有层次的目录结构，即对人友好又不会重复。

Zookeeper集群中统一由Leader节点（图中M节点）来管理所有Follower节点（图中的S1和S2节点）的命名空间。Zookeeper提供统一的命名服务，他不对外提供数据也不存储数据，他只提供一套统一的命名规则，运行在Zookeeper之上的服务需要遵循这一套命名规则。其中较为常见的就是一些分布式服务框架中的服务地址列表。通过调用ZK提供的创建节点的接口（API），能够很容易创建一个全局唯一的路径（path），这个path就可以作为一个名称。命名服务（NameService）已经是Zookeeper内置的功能，你只要调用Zookeeper的API就能实现。如调用create接口就可以很容易创建一个目录节点。

遵循Leader统一管理命名规则下，集群中数据读写的方式：

1.1.写数据，一个客户端进行写数据请求时，会指定Zookeeper集群节点，如果是Follower接收到写请求，会把请求转发给Leader，Leader通过内部的Zab协议进行原子广播，直到所有Zookeeper节点都成功写了数据，然后Zookeeper会给Client发回写完响应。

1.2.读数据，因为集群中Zookeeper按照统一的命名空间，所有Zookeeper节点呈现相同的命名空间视图（文件目录名称结构），所以读数据的时候请求任意一台Zookeeper节点都一样。

2. 配置管理

配置的管理在分布式应用环境中很常见，例如同一个应用需要在多台服务器上运行，但是它们的应用系统的某些配置相同的，如果要修改这些相同的配置项，就必须同时修改每台运行这个应用系统的PC Server，这样非常麻烦而且容易出错。像这样的配置信息完全可以交给Zookeeper来管理，处理起来非常便捷。

配置的管理包含发布和订阅两个过程，顾名思义就是将数据发布到ZK节点上，供订阅者动态获取数据，实现配置信息的集中管理和动态更新。

如图所示，将配置信息保存在Zookeeper（Leader节点）的某一个目录中，然后将所有需要修改的应用机器订阅该Zookeeper（Leader节点）节点，一旦Leader节点发布新配置信息，每台订阅的机器就会收到Zookeeper的通知，然后从Zookeeper获取新的配置信息应用到系统中，完成配置的集中统一管理。

3. 集群管理

Zookeeper在集群管理中主要是集群监控和Leader选举。

3.1.集群管理

这通常用于那种对集群中机器状态、 ， 机器在线率有较高要求的场景，能够快速对集群中机器变化做出响应。这样的场景中，往往有一个监控系统，实时检测集群机器是否存活。过去的做法通常是：监控系统通过某种手段（比如ping）定时检测每个机器，或者每个机器自己定时向监控系统汇报"我还活着"。

这种做法可行，但是存在两个比较明显的问题：

1）.集群中机器有变动的时候，牵连修改的东西比较多。

2）.有一定的延时。

利用ZooKeeper中两个特性，就可以实施另一种集群机器存活性监控系统：

1）.客户端在示例节点A上注册一个监控者（Watcher），那么如果A的子节点变化了，会通知该客户端。

2）.创建EPHEMERAL类型的节点，一旦客户端和服务器的会话结束或过期，那么该节点就会消失。

3.2.Leader选举：

Leader选举即从大量集群节点中选举一个Leader节点，是zookeeper中最为经典的使用场景，在分布式环境中选举的Leader节点好快会直接影响集群的效率。Leader节点主要负责相同的业务应用分布在不同的机器上共用的逻辑模型和数据的调配，优秀的调配方案可以大大减少重复运算，提高性能降低集群的负载。

利用ZooKeeper中两个特性，就可以实施另一种集群中Leader选举：

1）.利用ZooKeeper的强一致性，能够保证在分布式高并发情况下节点创建的全局唯一性，即：同时有多个客户端请求创建Leader节点，最终一定只有一个客户端请求能够创建成功。利用这个特性，就能很轻易的在分布式环境中进行集群的Leader选举了。

2）.另外，这种场景演化一下，就是动态Leader选举。这就要用到EPHEMERAL_SEQUENTIAL类型节点的特性了，这样每个节点会自动被编号。允许所有请求都能够创建成功，但是创建节点会为每个节点安排顺序，每次选取序列号最小的那个机器作为Leader。

小结

Zookeeper作为Hadoop主要的组件，在集群管理方面为我们提供了解决方案。通过对统一命名服务、配置管理和集群管理的阅读，我们能够清晰的理解Zookeeper的核心内容。针对共享锁和队列服务偏技术实现，有兴趣的可以进一步研究。

Zookeeper在大数据集群中解决集群管理的问题，磨刀不误砍柴工，了解完工具我们下一次分享一些具体的实效应用。

❹ 大数据架构流程图

大数据管理数据处理过程图

大数据(big data),指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察力。大数据处理的主要流程包括数据收集、数据存储、数据处理、数据应用等主要环节。随着业务的增长,大量和流程、规则相关的非结构化数据也爆发式增长。

平台数据架构流程图

标准大数据平台架构,标准大数据平台架构,大数据平台架构,数据仓库,数据集市,大数据平台层级结构,数据挖掘,举报,包含该模版的分享。数据架构设计(数据架构组) 概述 总体描述 相对于业务架构和应用架构,数据架构在总体架构中处于基础和核心地位。

产品体验结构流程图

产品的功能结构图,产品功能结构图,产品主要流程图,产品的核心流程,我们继续围绕着得到app的核心流程探究。还原产品,产品结构、核心流程体验、核心页面体验的情况,而不仅仅是界面表层；从产品视角、用户视角来分析,而不是自我感觉，撰写报告,推出报告。产品体验从产品现状、目标用户及场景、关键功能体验

程序流程图

程序流程图又称程序框图，是用统一规定的标准符号描述程序运行具体步骤的图形表示。程序框图的设计是在处理流程图的基础上，通过对输入输出数据和处理过程的详细分析，将计算机的主要运行步骤和内容标识出来。

软件开发周期

软件生命周期(Software Life Cycle,SLC)是软件的产生直到报废或停止使用的生命周期。软件生命周期内有问题定义、可行性分析、总体描述、系统设计、编码、调试和测试、验收与运行、维护升级到废弃等阶段一个软件产品或软件系统也要经历孕育、诞生、成长、成熟、衰亡等阶段

软件测试流程鱼骨图

软件测试流程: 需求分析，制订测试计划，设计测试用例与编写，实施测试，提交缺陷报告，生成测试总结和报告。软件测试按照研发阶段一般分为5个部分：单元测试、集成测试、确认测试、系统测试、验收测试。根据设计用例的方法不同,黑盒测试包括等价划分法、边界值分析法、错误推测法、因果图法等。

云平台整体架构图

云计算的体系结构由5部分组成,分别为应用层,平台层,资源层,用户访问层和管理层,云计算的本质是通过网络提供服务,所以其体系结构以服务为核心。公认的云架构是划分为基础设施层、平台层和软件服务层三个层次的。

项目管理九大体系

项目管理思维导图包括项目采购管理、项目成本核算、时间管理等关于项目管理的九大体系。项目管理十大领域:进度、成本、质量、范围等4个核心领域,风险、沟通、采购、人力资源、干系人等5个辅助领域,1个整体领域。

产品经理项目管理思维导图

思维导图可以帮助产品经理梳理多而乱的产品思路，也可以帮助产品经理进行需求管理、产品分析等。产品经理会使用思维导图来对产品的思路进行一个有效的分析，梳理产品逻辑，然后再画原型图。一个优秀的产品经理，不仅仅是会画原型，写需求文档，更重要的是做出用户满意的产品。

项目规划时间轴流程图

项目规划时间轴流程图,对一个项目从开始到竣工的整个过程进行总结归纳。时间线图,又叫时间轴图,能以历史进程为载体,将过往的重要事项或者里程碑,标注在轴线上,并加以说明。它的作用是能够可视化内容,以图文的形式呈现出来。时间轴是一种表达事物发展进程的可视化图示,被许多商业管理人士所使用。

❺ 大数据分析中，有哪些常见的大数据分析模型

很多朋友还没有接触过大数据分析方案，认为其仅仅算是个愿景而非现实——毕竟能够证明其可行性与实际效果的案例确实相对有限。但可以肯定的是，实时数据流中包含着大量重要价值，足以帮助企业及人员在未来的工作中达成更为理想的结果。那么，那些领域需要实时的数据分析呢？

1、医疗卫生与生命科学

2、保险业

3、电信运营商

4、能源行业

5、电子商务

6、运输行业

7、投机市场

8、执法领域

9、技术领域

常见数据分析模型有哪些呢？

1、行为事件分析：行为事件分析法具有强大的筛选、分组和聚合能力，逻辑清晰且使用简单，已被广泛应用。

2、漏斗分析模型：漏斗分析是一套流程分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。

3、留存分析模型留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始化行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。

4、分布分析模型分布分析是用户在特定指标下的频次、总额等的归类展现。

5、点击分析模型即应用一种特殊亮度的颜色形式，显示页面或页面组区域中不同元素点点击密度的图标。

6、用户行为路径分析模型用户路径分析，顾名思义，用户在APP或网站中的访问行为路径。为了衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，时常要对访问路径的转换数据进行分析。

7、用户分群分析模型用户分群即用户信息标签化，通过用户的历史行为路径、行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。

8、属性分析模型根据用户自身属性对用户进行分类与统计分析，比如查看用户数量在注册时间上的变化趋势、省份等分布情况。

模型再多，选择一种适合自己的就行，如何利益最大化才是我们追求的目标

❻ 勾勒物联网与大数据的数据中心路线图

勾勒物联网与大数据的数据中心路线图
从数据中心的角度看，物联网和大数据项目几乎总是强调网络和存储基础设施。规划人员在组织内开始实施这种大规模数据密集的项目之前，需要仔细地评估基础设施的需求。
传统的商业智能项目建立在不同于大数据项目的需求和理解的基础上。典型商业智能从清晰的想法开始尝试，必须经得起推敲，什么数据可用或必须收集来回答这些问题，需要上报何种结果，组织内谁需要这些结果。此类项目几十年来一直是企业级IT的基础。物联网(IoT)和大数据聚焦在不同的侧重点。他们会提问：如何提出正确的问题;问题是哪些，如何解决以更好地为客户服务，必须提供什么样的产品才能留住现有的客户，同时如何劝说新客户从公司购买产品和服务?这通常能够说明，物联网和大数据项目各自需要不同的专业知识，不同级别的经验和不同种类的工具。因此，运营这样的项目对于IT团队会更加困难。在物联网和大数据领域迈出坚实的第一步当IT领域强大的新技术或新的方法获得了一定的动力，有人可能就会有采取一种急于求成的方法——有时候很少有人能理解怎样才能获得一次成功的初次实践。物联网和大数据显然属于这一类。这一认识可能诱导组织在一个非常令人失望或用处不大的数据上投入巨资。失败可能来自选择了不恰当的工具，没能正确配置支持系统的工具，缺乏必要的专业知识，或与错误的合作伙伴共事。一旦失败，许多决策者便将责任归咎于方法或技术。对于大数据的潜力，已经是毫无争议的议题，报告也同样鼓吹物联网，指出它将连接从我们的手机、我们的汽车到我们的家用电器等一切的一切。硬件、软件和专业服务的供应商已经加入进来，大家都想在由物联网这些技术方法将产生的潜在收益中分得一块大蛋糕。几乎所有的供应商，包括系统、存储、网络、操作系统、数据管理工具和开发工具等领域的厂商都已经提出了与大数据有关的产品和服务集。这些同质化的厂商也开始提供从智能设备中进行数据转换和收集数据的方法。集成物联网与大数据在开始物联网和大数据项目之前，明智的领导者会慢下来，并评估什么是企业真正需要的东西。评估IT团队的能力和专长。现实地考虑什么事情可能会出错，从中可以汲取到哪些信息。组织通常设计大数据项目以确定哪些问题要问，而不是跟踪具体的，先前已知的需求。这意味着决策者和开发人员必须首先要确定的是，基于操作的、机械的以及其他类型已经被收集的数据应该提出何种问题，因为很可能没有人会花时间来分析数据。物联网项目很可能成为大数据实施所需的数据来源。物联网和大数据两者都通常依赖的NoSQL数据库，反过来，依靠系统执行数据管理软件集群，网络容量的广泛使用和共享内存或复杂的数据缓存技术，将加快现有存储介质的应用。物联网项目很可能对数据中心网络和存储产生巨大的影响。大多数组织都拥有丰富的原始数据，数据来自于操作系统、数据库管理产品、应用框架、应用程序和服务设备的销售点或点的自动收集信息。组织可以使用数据来获得更加清晰的，整体感知程序、产品和培训的优势和劣势。将物联网混合加入到大数据中，为公司提供进一步了解其客户提供帮助。分析这一巨大的和不断增长的数据，可以往往为企业提供线索，以更好地把握客户的需求。企业也可以了解到它哪些问题所对应的信息没有被正确地收集，并寻求自己的独特的问题解决方法。拒绝那种瞄准-射击-命中的速成方法，这点在物联网项目中尤其重要。很少有组织有这足够的胆量推迟项目，因为这会刺激或冒犯某个客户。IT团队必须明确地了解自己的目的，团队所使用的工具，选择的供应商将是这一尝试的重要部分。只有这样一个团队才能捕捉和驯服大数据“野兽”或促成将物联网有效的实践。这就需要一个组织来正确配置和提供其基础设施，该过程涉及部署必要的处理能力、内存、存储和网络容量，还有适当的软件开发，持续的运营、监控，还有管理和安全。上述这些元素中的每一个必须精心地选择和配置。然而，该过程并非一定会成为越做越好的案例。与物联网或其他客户面临的项目，这将是明智的考虑客户将如何反应，在网上与业务的所有时间。性能，隐私和功能功能都非常重要。物联网和大数据开发工具每一套大数据的方法都有它自己的一系列开发及部署工具。同样的道理也适用于物联网平台。要建立最有效的平台，公司的开发人员必须理解这些工具，知道如何使用它们，并清楚如何建立一套最优的系统。在大数据项目上工作的人可能会选择使用与物联网开发团队所不同的工具。然而，两个团队之间必须保持彼此沟通。物联网团队需要收集适当数据来支持大数据的实施，对于刚刚接触这些类型的新技术的企业，选择较小的项目起步是很明智的，之后伴随着团队开发的经验和专业知识的提升，再涉足大型项目。组织必须按照所评估的那样对待大数据项目，这需要IT管理团队的卓有远见的运营活动。选择适合于企业管理框架的监控和管理工具非常重要，它们可以提供易于理解和有用的数据。物联网项目，由于它直接面对客户，需要轻量、监测响应和管理。如果这些工具太重，顾客会抱怨贵公司对昂贵的数据计划的消耗太大。在信息收集和功能提供中间找到适当的平衡，整体性能和数据的来回发送容量会是棘手的问题。许多组织在大数据中找到真正的前景。物联网的最佳实践仍在不断涌现，所以标准咱不能广泛应用。然而，在这两种情况下，结合技术专长正确地选择和配置组件是一个成功的项目的关键要素。适当的配置选择，选择系统驱动，支持的操作系统以及系统、网络和存储配置部署。然而，通常最重要的因素是，在项目上找好合适的心态。在大数据的案例中，目标应该是了解提出何种问题才是正确的，而不是把项目看作是另外一个商业智能的倡议。在物联网的案例中，该项目必须能够提供有用的服务，以换取客户对收集数据的授权，以满足基于大数据的销售活动，支持和商业智能系统。

❼ 一般用哪些工具做大数据可视化分析

酷屏是亿信华辰的数据可视化产品，内置上百种可视化元素和六十余内种风格各异的表格、导航容、统计图等组件及SVG特效可供用户选择，通过设计与搭配，可衍生出成千上万种可视化效果。在提供传统的柱状图、饼图、仪表盘等基础图表组件的基础上，还提供了光晕图、泡泡图、流向地图等十余种新颖夺目的个性化图表，更有独特的3D全景视角，自由快捷制作各类交互式常规屏和大屏报表。

❽ 大数据技术架构图是什么样学大数据开发都要学什么

我是用的八斗学院的项目练习的，简单说一下他们的大数据技术架构，1、日志收集与数据存储 2、数据预处理3、数据分析4、引擎模块5、推荐策略算法模块6、在线服务数据

❾ 大数据可视化工具哪个做出来最漂亮

非编程篇/可直接上手的工具
1. Excel
Excel是最容易上手的图表工具，善于处理快速少量的数据。结合数据透视表，VBA语言，可制作高大上的可视化分析和dashboard仪表盘。
单表或单图用Excel制作是不二法则，它能快速地展现结果。但是越到复杂的报表，excel无论在模板制作还是数据计算性能上都稍显不足，任何大型的企业也不会用Excel作为数据分析的主要工具。
2. 可视化 BI（Power BI \Tableau \ 帆软FineBI等等）
也许是Excel也意识到自己在数据分析领域的限制和眼下自助分析的趋势，微软在近几年推出了BI工具Power BI。同可视化工具Tableau和国内帆软的BI工具一样，封装了所有可能分析操作的编程代码，操作上都是以点击和拖拽来实现，几款工具的定位稍有不同。
Power BI
最大的明显是提供了可交互、钻取的仪表板，利用Power Pivot可直接生产数据透视报告，省去了数据透视表。
Tableau
可视化图表较为丰富，堪称一等， 操作更为简单。
帆软FineBI
企业级的BI应用，实用性较强，因2B市场的大热受到关注。千万亿级的数据性能可以得到保证，业务属性较重，能与各类业务挂钩。
对于个人，上手简单，可以腾出更多的时间去学习业务逻辑的分析。
编程篇
对于寻求更高境界数据分析师或数据科学家，如果掌握可视化的编程技巧，就可以利用数据做更多的事情。熟练掌握一些编程技巧，赋予数据分析工作更加灵活的能力，各种类型的数据都能适应。大多数设计新颖、令人惊艳的数据图几乎都可以通过代码或绘图软件来实现。
与任何语言一样，你不可能立刻就开始进行对话。要从基础开始，然后逐步建立自己的学习方式。很可能在你意识到之前，你就已经开始写代码了。关于编程最酷的事情在于，一旦你掌握了一门语言，学习其他语言就会更加容易，因为它们的逻辑思路是共通的。
1. Python语言
Python 语言最大的优点在于善于处理大批量的数据，性能良好不会造成宕机。尤其适合繁杂的计算和分析工作，而且，Python的语法干净易读，可以利用很多模块来创建数据图形比较受IT人员的欢迎。
2. PHP语言
PHP这个语言松散却很有调理，用好了功能很强大。在数据分析领域可以用php做爬虫，爬取和分析百万级别的网页数据，也可与Hadoop结合做大数据量的统计分析。
因为大部分 Web 服务器都事先安装了 PHP 的开源软件，省去了部署之类的工作，可直接上手写。
比如 Sparkline（微线表）库，它能让你在文本中嵌入小字号的微型图表，或者在数字表格中添加视觉元素。
一般 PHP会和 MySQL 数据库结合使用，这使它能物尽其用，处理大型的数据集。
3. HTML、JavaScript 和 CSS语言
很多可视化软件都是基于web端的，可视化的开发，这几类语言功不可没。而且随着人们对浏览器工作越来越多的依赖，Web 浏览器的功能也越来越完善，借助 HTML、JavaScript 和 CSS，可直接运行可视化展现的程序。
不过还是有几点需要注意。由于相关的软件和技术还比较新，在不同浏览器中你的设计可能在显示上会有所差别。在 Internet Explorer 6 这类老旧的浏览器中，有些工具可能无法正常运行。比如一些银行单位仍旧使用着IE，无论是自己使用还是开发的时候都要考虑这样的问题。
4. R语言
R语言是绝大多数统计学家最中意的分析软件，开源免费，图形功能很强大。
谈到R语言的历史，它是专为数据分析而设计的，面向的也是统计学家，数据科学家。但是由于数据分析越来越热门，R语言的使用也不瘦那么多限制了。
R的使用流程很简洁，支持 R 的工具包也有很多，只需把数据载入到 R 里面，写一两行代码就可以创建出数据图形。
当然还有很多传统的统计图表。