大数据中的Hadoop学习路线图_光环大数据推出智客计划送2000助学金
大数据中的Hadoop学习路线图_光环大数据推出智客计划送2000助学金
光环大数据作为大数据培训机构的老牌机构，聘请拥有多年经验的实力派讲师，面对面授课，光环大数据所有项目都由阿里云真实项目数据，光环大数据成为阿里云授权认证中心，毕业通过相关考试就可以获得阿里云的证书。
其实如果没有一个靠谱的Hadoop学习路线图，Hadoop的学习也会如盲人摸象一样，吃力、忙乱、不全面。
Hadoop算是IT培训中一个新兴科目，靠谱、系统的Hadoop学习路线图并不多见，那么哪里有靠谱的Hadoop学习路线图呢？今天小编就把光环大数据教育的大数据中Hadoop学习路线图分享给大家。
一、Hadoop学习路线图主要内容
Hadoop的主要学习内容以Hadoop生态系统为主，主要分为7个大块：
(一)Hadoop集群的搭建。
这部分主要讲解介绍单机版和伪分布式安装，详细介绍每个方式的区别，解决什么问题以及详细的配置，并对每个配置文件做深入讲解。
能够查看hadoop进程;理解hadoop启动的整个过程。
二)HDFS基础概念的介绍。
HDFS是Hadoop中应用十分广泛的一块内容，这部分主要讲解的内容有块的概念、块的好处、冗余备份、块的切分;元数据概念;NameNode工作原理; DataNode工作原理;Secondary NameNode;客户端含义;HDFS文件操作过程;元数据的持久化;什么是EditsLog和FSImage静像文件;EditsLog和FSImage合并--Checkpoint机制;HDFS命名空间;安全模式;心跳机制;机架感知等内容。
(三)HDFS API案例。
这部分是HDFS的进阶内功主要讲解内容包括：主要讲
解案例包括上传本地文件到HDFS;从HDFS下载文件到本地;创建HDFS文件;创建HDFS目录;重命名HDFS文件;删除HDFS文件;删除HDFS目录;查看某个文件是否存在;数据类型，writeable接口。
(四)YARN资源调度框架介绍。
主要讲解客户端程序与ResourceManager交互;客户端存贮封装信息;ResourceManager调用NodeManager;NodeManager划分资源池;ResourceManager调用MapReduce程序;执行运算;hadoop伪分布式安装、HA安装，加入YARN的进程，反推理论;运行MR程序，观察YARN在程序运行中的处理过程;hadoop1.0到2.0的变化。
(五)MapReduce介绍。
主要讲解MapReduce产生背景;MapReduce官方解释;MapReduce特点;MapReduc计算流程：inputsplit、mapper、combine、shuffle、sort、reducer;MapReduce容错性;MapReduce推测机制;MapReduce应用场合以及MR的整个流程的图解。
(六)MapReduce案例。
这是Hadoop学习的重点内容，所占学时也最长。
主要学习内容有：经典的MR程序，包括计数器、InputFormat输入格式、OutputFormat输出格式、单词计数程序Combiner优化、去重编程、平均程序、数据排序、全排序、倒排序、二次排序、单表关联、多表关联、join连接;排序算法，归并排序，底层源码分析，分区算法;讲解job提交作业的流程;通过WebUI 查看log日志。
(七)ZOOKEEPER。
这部分主要分为ZOOKEEPER的介绍与安装、ZOOKEEPER集群大家你以及ZOOKEEPER API客户端的开发。
大数据中的Hadoop学习路线图
这是因为光环大数据教育是一家专业从事大数据、Hadoop培训的培训机构。
这张Hadoop学习路线图是由一个专业的Hadoop课程研发团队结合现在用人企业的一些技术需求以及世界范围内的Hadoop技术发展趋势等因素总结而出的，具有很高的权威性和实用性。
按照这个Hadoop学习路线图学习Hadoop的学员会与当下用人企业的用人要求有一个比较高端契合度，对于学员的就业以及未来的职业发展都很有好处。
为什么大家选择光环大数据！
大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。
讲师团及时掌握时代的技术，将时新的技能融入教学中，让学生所学知识顺应时代所需。
通过深入浅出、通俗易懂的教学方式，指导学生较快的掌握技能知识，帮助莘莘学子实现就业梦想。
光环大数据启动了推进人工智能人才发展的“AI智客计划”。
光环大数据专注国内大数据和人工智能培训，将在人工智能和大数据领域深度合作。
未来三年，光环大数据将联合国内百所大学，通过“AI智客计划”，共同推动人工智能产业人才生态建设，培养和认证5-10万名AI大数据领域的人才。
参加“AI智客计划”，享2000元助学金！
【报名方式、详情咨询】
光环大数据网站报名：
手机报名链接：http:// /mobile/。
大数据最关键技术_光环大数据推出AI智客计划送2000助学金
大数据最关键技术_光环大数据推出AI智客计划送2000助学金大数据最关键技术1、A* 搜刮算法——图形搜刮算法，从给定出发点到给定起点盘算出门路。
此中应用了一种启发式的预算，为每一个节点预算经由进程该节点的最好门路，并以之为各个所在排定顺序。
算法以获得的顺序拜访这些节点。
是以，A*搜刮算法是最好优先搜刮的典范。
2、集束搜刮(别名定向搜刮，Beam Search)——最好优先搜刮算法的优化。
应用启发式函数评价它反省的每一个节点的才能。
不外，集束搜刮只能在每一个深度中发明最前面的m个最相符前提的节点，m是牢固数字——集束的宽度。
3、二分查找(Binary Search)——在线性数组中找特定值的算法，每一个步调去掉一半不相符请求的数据。
4、分支界定算法(Branch and Bound)——在多种最优化成绩中探求特定最优化办理方案的算法，分外是针对团圆、组合的最优化。
5、Buchberger算法——一种数学算法，可将其视为针对单变量最大公约数求解的欧几里得算法和线性体系中高斯消元法的泛化。
6、数据紧缩——采用特定编码方案，应用更少的字节数(或是其余信息承载单位)对信息编码的进程，又叫起源编码。
7、Diffie-Hellman密钥互换算法——一种加密协定，容许两边在事前不了解对方的环境下，在不安全的通信信道中，配合树立同享密钥。
该密钥今后可与一个对称暗码一路，加密后续通信。
8、Dijkstra算法——针对没有负值权重边的有向图，盘算此中的繁多路点最短算法。
9、团圆微分算法(Discrete differentiation)。
10、动态规划算法(Dynamic Programming)——展现相互笼罩的子成绩和最优子架构算法11、欧几里得算法(Euclidean algorithm)——盘算两个整数的最大公约数。
最古老的算法之一，出如今公元前300前欧几里得的《几何原本》。
12、希冀-最大算法(Expectation-maximization algorithm，别名EM-Training)——在统计盘算中，希冀-最大算法在几率模子中探求可以或许性最大的参数预算值，此中模子依赖于未发明的潜伏变量。
大数据要怎么用_光环大数据推出AI智客计划送2000助学金
大数据要怎么用_光环大数据推出AI智客计划送2000助学金当下，大多数企业都明白大数据的作用。
大数据——这个庞大甚至是有时是压倒性的信息包含了企业日常经营的过程：销售策略，营销邮件的打开率，网站点击量等等，利用好大数据也能让你发现消费者的行为和心理。
拥有大数据和数据分析工具确实是有帮助的，然而这也是一把双刃剑：过于依赖数据，可能会让我们忽视自己强大的直觉(甚至经常是正确的直觉)。
这些直觉又无法量化。
针对这个问题，来自青年企业家理事会(YEC)的12位创业者提供了如下意见，告诉我们如何利用大数据，而不盲从数字，不至于所有商业决策都任凭大数据的摆布。
1.大数据只是指导作用，但不能是只依靠大数据我认为大数据是很有效的，但是我们在做品牌营销决策的时候不能完全以大数据“马首是瞻”。
应该有一种有效结合了大数据和“直觉判断”的方法。
通过数据指导，我可以为品牌吸引新的用户，但是我不会让数据决定我和读者之间互动的形式。
–Sean Ogle of Location Rebel2.让自己对数据负责，同时也要切合实际人类容易犯错，但数据也会误导我们。
我把这种现实主义带到了我所有的决策中。
它确保我对数据保持负责，同时对它真正告诉我的东西保持合理的怀疑态度。
–Manpreet Singh of TalkLocal3.数据是ROI的一部分大数据有他的重要作用，它简化了数十年来的记录和研究。
但大数据也不是万无一失的。
当我们观测数据的趋势时，需要对影响结果和数据流的其他因素保持关注。
在我的报告中，大数据只是投资回报率的一小部分，还有很多工具和方法可以来发现商业趋势。
–Matthew Capala of Search Decoder4.理解商业数据需求这取决于你的商业模型，你需要考虑你的数据获取、数据测量的难易性，还是为人为失误留出了空间，你是在调查观点，事实还是数据。
在你全面使用大数据之前考虑这些要素，不要盲从大数据。
这是你的业务，你才是这方面的专家。
数据处理方法大总结_光环大数据推出AI智客计划送2000助学金
数据处理方法大总结_光环大数据推出AI智客计划送2000助学金对海量数据的处理方法进行了一个一般性的总结，当然这些方法可能并不能完全覆盖所有的问题，但是这样的一些方法也基本可以处理绝大多数遇到的问题。
下面的一些问题基本直接来源于公司的面试笔试题目，欢迎学习。
一、Bloom filter适用范围：可以用来实现数据字典，进行数据的判重，或者集合求交集基本原理及要点：对于原理来说很简单，位数组+k个独立hash函数。
将 hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的。
同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。
所以一个简单的改进就是 counting Bloom filter，用一个counter数组代替位数组，就可以支持删除了。
还有一个比较重要的问题，如何根据输入元素个数n，确定位数组m的大小及hash函数个数。
当hash函数个数k=(ln2)*(m/n)时错误率最小。
在错误率不大于E的情况下，m至少要等于n*lg(1/E)才能表示任意n个元素的集合。
但m 还应该更大些，因为还要保证bit数组里至少一半为0，则m应该>=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。
举个例子我们假设错误率为0.01，则此时m应大概是n的13倍。
这样k大概是8个。
注意这里m与n的单位不同，m是bit为单位，而n则是以元素个数为单位(准确的说是不同元素的个数)。
通常单个元素的长度都是有很多bit的。
所以使用bloom filter内存上通常都是节省的。
扩展：Bloom filter将集合中的元素映射到位数组中，用k(k为哈希函数个数)个映射位是否全1表示元素在不在这个集合中。
Counting bloom filter(CBF)将位数组中的每一位扩展为一个counter，从而支持了元素的删除操作。
大数据培训课程知识分享_光环大数据推出AI智客计划送2000助学金
大数据培训课程知识分享_光环大数据推出AI智客计划送2000助学金大数据培训课程知识，想学习大数据的朋友们，福利来了，光环大数据讲师不定期分享大数据工程师培训课上的相关技术知识，感兴趣的可以直接借读阅览，增加自己大数据技术方面的知识，丰富自己的阅历。
今天大数据工程师培训的讲师给大家带来的是大数据核心技术Hadoop的一个重要的数据仓库工具——hive。
首先我们要知道hive到底是做什么的。
下面这几段文字很好的描述了hive 的特性：hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供完整的sql查询功能，可以将sql语句转换为MapReduce 任务进行运行。
其优点是学习成本低，可以通过类SQL语句迅速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
Hive是建立在 Hadoop 上的数据仓库基础构架。
它提供了一系列的工具，可以用来进行数据提取转化加载(ETL)，这是一种可以存储、查询和分析存储在Hadoop 中的大规模数据的机制。
Hive 定义了简单的类 SQL 查询语言，称为 HQL，它允许熟悉 SQL 的用户查询数据。
同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。
要理解hive，必须先理解hadoop和mapreduce，如果有不熟悉的童鞋，可以百度一下。
使用hive的命令行接口，感觉很像操作关系数据库，但是hive和关系数据库还是有很大的不同，下面我就比较下hive与关系数据库的区别，具体如下：hive和关系数据库存储文件的系统不同，hive使用的是hadoop的HDFS(hadoop的分布式文件系统)，关系数据库则是服务器本地的文件系统;hive使用的计算模型是mapreduce，而关系数据库则是自己设计的计算模型;关系数据库都是为实时查询的业务进行设计的，而hive则是为海量数据做数据挖掘设计的，实时性很差;实时性的区别导致hive的应用场景和关系数据库有很大的不同;Hive很容易扩展自己的存储能力和计算能力，这个是继承hadoop的，而关系数据库在这个方面要比数据库差很多。
大数据中的Hadoop学习路线图_光环大数据推出AI智客计划送2000助学金
大数据中的Hadoop学习路线图_光环大数据推出AI智客计划送2000助学金其实如果没有一个靠谱的Hadoop学习路线图，Hadoop的学习也会如盲人摸象一样，吃力、忙乱、不全面。
Hadoop算是IT培训中一个新兴科目，靠谱、系统的Hadoop学习路线图并不多见，那么哪里有靠谱的Hadoop学习路线图呢？今天小编就把光环大数据教育的大数据中Hadoop学习路线图分享给大家。
一、Hadoop学习路线图主要内容Hadoop的主要学习内容以Hadoop生态系统为主，主要分为7个大块：(一)Hadoop集群的搭建。
这部分主要讲解介绍单机版和伪分布式安装，详细介绍每个方式的区别，解决什么问题以及详细的配置，并对每个配置文件做深入讲解。
能够查看hadoop进程;理解hadoop启动的整个过程。
二)HDFS基础概念的介绍。
HDFS是Hadoop中应用十分广泛的一块内容，这部分主要讲解的内容有块的概念、块的好处、冗余备份、块的切分;元数据概念;NameNode工作原理; DataNode工作原理;Secondary NameNode;客户端含义;HDFS文件操作过程;元数据的持久化;什么是EditsLog和FSImage静像文件;EditsLog和FSImage合并--Checkpoint机制;HDFS命名空间;安全模式;心跳机制;机架感知等内容。
(三)HDFS API案例。
这部分是HDFS的进阶内功主要讲解内容包括：主要讲解案例包括上传本地文件到HDFS;从HDFS下载文件到本地;创建HDFS文件;创建HDFS目录;重命名HDFS文件;删除HDFS文件;删除HDFS目录;查看某个文件是否存在;数据类型，writeable接口。
(四)YARN资源调度框架介绍。
主要讲解客户端程序与ResourceManager交互;客户端存贮封装信息;ResourceManager调用NodeManager;NodeManager划分资源池;ResourceManager调用MapReduce程序;执行运算;hadoop伪分布式安装、HA安装，加入YARN的进程，反推理论;运行MR程序，观察YARN在程序运行中的处理过程;hadoop1.0到2.0的变化。
Hadoop HDFS的数据流剖析_光环大数据推出AI智客计划送2000助学金
Hadoop HDFS的数据流剖析_光环大数据推出AI智客计划送2000助学金为了懂得客户端及与之交互的HDFS、namenode 和datanode之间的数据流是什么样的客户端经由过程挪用FileSystem工具的open()办法来关上盼望读取的文件，对付HDFS 来讲，这个工具是分布式文件体系（图中步调1）的一个实例。
DistributedFileSystem 经由过程应用RPC来挪用namenode，以肯定文件肇端块的地位（步调2）。
对付每一个块，namenode前往存有该块正本的datanode地点。
别的，这些datanode依据它们与客户端的间隔来排序。
假如该客户端自己便是一个datanode（好比，在一个MapReduce义务中），并保存有响应数据块的一个正本时，该节点就会从当地datanode读取数据。
DistributedFileSystem类前往一个FSDataInputStream工具（一个支撑文件定位的数据流）给客户端并读取数据。
FSDataInputStream类转而封装DFSInputStream工具，该工具治理着datanode和namenode的I/O。
接着，客户端对这个输入流挪用read()办法（步调3）。
存储着文件肇端几个块的datanode 地点的DFSInputStream随即衔接间隔最近的datanode。
经由过程对数据重复挪用read()办法，能够将数据从datanode传输到客户端（步调4）。
达到块的末尾时，DFSInputStream封闭与该datanode的衔接，而后探求下一个块的最好datanode（步调5）。
客户端只必要读取持续的流，而且对客户端都是通明的。
客户端从流中读取数据时，块是依照关上DFSInputStream与datanode新建衔接的次序读取的。
它也会依据必要扣问namenode来检索下一批数据块的datanode的地位。
一旦客户端实现读取，就对FSDataInputStream挪用close()办法。
大数据之惑_光环大数据推出AI智客计划送2000助学金
大数据之惑_光环大数据推出AI智客计划送2000助学金困惑之一：大数据醒目什么？换用前面饮酒来作比喻，这新酿进去的酒如何喝才可以或者喝得高兴。
这里不再想批评争辩毕竟哪些数据是大数据了。
下面这张图是Gartner 对各行业对于大数据需要的查问访问，该统计针对大数据通用的3个V ，和未被利用数据的需要情况做了分类。
可见几乎统统行业都对大数据有着各种百般的需要。
为什么有这些需要，是由于曩昔这些典范的数据都由于技能和成本的原因起因，用户没有收集处置。
现在有了性价比合法的手段可以或者让你收集处置这些数据，如何可以或者说不要？还因此酿酒做比喻，曩昔酿两斤酒糟要浪费18斤的粮食，现在至少20斤粮食可以或者有10斤都变成酒糟了，虽然这些酒糟可以或者和曩昔不大异样，但至少可以或者少浪费8斤粮食呢。
现在成绩来了，酒糟多了，种类不异样了,如何根据新的酒糟酿酒呢？对不起，这个成绩酒作坊就要别人来教了。
但成绩是，统统酒肆现在可以或者都面对这同一个成绩，因此就没人可以或者教你了，只能自己慢慢摸索。
这个就是现在各行业面对大数据的最大困惑 --- 海量的数据收集上来不知道如何用！这里不妨看看为什么传统的数据客栈领域没有这样的困惑。
如下这张图很好的说明了传统和现在的差异：从上图展示的流程可以或者看出产生困惑的基本原因起因是：苦逼的IT从业人员走在了业务决策者的前面（流泪）。
传统时代，都是业务人员渴望得到某典范的统计报表或者分析猜测，因此IT行业人员为了满足他们的需要找筹划、写算法，从而催生出了各种典范的数据客栈和处置筹划。
而现在，在互联网的推动下，IT人员发觉原来我们可以或者经过过程一些新的办法存储海量的原来无奈处置的数据，但业务人员却没有准备好。
所以，当你告诉他们：“嘿，哥们儿，我这里现在又有了许多数据可以或者帮你了。
”他们一头雾水不知道这些数据对他们有什么用了。
如何处置这个成绩？先来看传统厂商Oracle、IBM他们是如何做的。
无基础怎么学习大数据_光环大数据推出AI智客计划送2000助学金
无基础怎么学习大数据_光环大数据推出AI智客计划送2000助学金光环大数据大数据的无基础课程教程包含java+大数据开发两个部分，提高部分的教程针对有java开发经验的朋友只包含大数据部分。
想要学习大数据技术的小伙伴，相信在学习之前已经做了很多准备，知道大数据的学习是需要一定的java基础的。
那真正的无基础怎么学习大数据？首先我们要知道，大数据的核心技术之一就是Hadoop，所以学习Hadoop是必备首要的课程。
开源的Hadoop大数据开发平台hadoop是一个能够对大量数据进行分布式处理的软件框架，hadoop以一种可靠、高效、可伸缩的方式进行数据处理，用户之所以可以轻松的在hadoop上开发和运行处理海量数据的应用数据，是因为hadoop具有高可靠性、高扩展性、高效性、高容错性等优点。
hadoop大数据生态系统：分布式文件系统-HDFS提起hadoop文件系统，首先想到的是HDFS(Hadoop Distributed File System)，HDFS是hadoop主要的文件系统，是Hadoop存储数据的平台，建立在网络上的分布式存储系统。
hadoop还集成了其他文件系统，hadoop的文件系统是一个抽象的概念，HDFS只是其中的一种实现。
分布式计算框架-MapReduceMapReduce是一种编程模型，是Hadoop处理数据的平台。
用于大规模数据集(大于1TB)的并行运算。
概念"Map(映射)"和"Reduce(归约)"，和它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。
它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。
分布式开源数据库-HbaseHBase – Hadoop Database,HBase是一个分布式的、面向列的开源数据库。
适合于非结构化数据存储，保留数据多个时间段版本。
光环大数据培训分享大数据面试题_光环大数据推出AI智客计划送2000助学金
光环大数据培训分享大数据面试题_光环大数据推出AI智客计划送2000助学金
每天跑多少数据？100g数据跑多久
hadoop 十分钟
spark 几秒钟—不超一分钟
项目大概有多少mr
一般来讲---大概三十多个
介绍几个reduce计算的什么
自己发挥
说一下项目字段
自己发挥
为什么用mr计算而不用hive
hive需要转mr，涉及到效率问题，转的时候为底层代码实现，自己无法控制i
怎么拿到的数据
flume，kafka，sqoop，爬虫
拿到的数据类型
文本
为什么大家选择光环大数据！
大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。
讲师团及时掌握时代的技术，将时新的技能融入教学中，让学生所学知识顺应时代所需。
通过深入浅出、通俗易懂的教学方式，指导学生较快的掌握技能知识，帮助莘莘学子实现
就业梦想。
光环大数据启动了推进人工智能人才发展的“AI智客计划”。
光环大数据专注国内大数据和人工智能培训，将在人工智能和大数据领域深度合作。
未来三年，光环大数据将联合国内百所大学，通过“AI智客计划”，共同推动人工智能产业人才生态建设，培养和认证5-10万名AI大数据领域的人才。
参加“AI智客计划”，享2000元助学金！
【报名方式、详情咨询】
光环大数据网站报名：
手机报名链接：http:// /mobile/。
大数据的执行引擎_光环大数据推出AI智客计划送2000助学金
大数据的执行引擎_光环大数据推出AI智客计划送2000助学金大数据知识：大数据的执行引擎——【深圳光环大数据大数据培训】一、Sql执行许多规矩都能够经过sql来执行的，这点在规矩引擎里边提到了。
本来我很引荐，刚开始的对比粗糙的监控都能够这么来做。
咱们提前配置好大有些的sql模板，然后需要监控哪张表了就在这张表配置一下就行。
详细的执行引擎的话能够思考presto或许spark sql，特别大的使命能够思考hive。
长处：1、简单，便利完成2、能满意大有些的需要缺陷：1、灵敏度不够，比方es，对sql支持太差2、速度慢：许多sql执行起来会对比慢，特别是运用hive引擎的时分，会巨慢。
3、不安稳：一些监控会不太安稳，比方重复数据监控，对一些大的表来讲，用presto 这种，是很难出成果的，经常会挂掉，可是换成hive的话又会很慢。
那么怎么处理?嗯，处理的话，我只要下面几个思路：1、合理的使命调度，通常集群都是能包容许多使命的，适宜地调度监控使命对比主要。
2、合理地更换执行引擎，这个下一节会供给一种计划。
3、合理的使命依赖，比方说是重复数据监控，这点必然会依赖于数据是不是抵达，假如数据没到达就没必要执行重复数据监控的程序。
二、直接获取数据量前面提到了Sql执行的一个执行功率疑问，咱们这节供给一个优化的办法。
由于Hive 目前来讲是十分主要的一种引擎了，所以单说Hive。
Hive是有元数据管理的，它的元数据库中是记载Hive的一切表的记载数的，这些记载数能够直接用作数据量相关的监控，比方数据掉零、数据量环比同比、数据量趋势等。
三、算法执行引擎许多算法能够经过自定义地方法完成，这一点完成起来就会对比杂乱一些。
由于定制化对比强，在规划这一块的话需要一个对比灵敏的架构，这里不再打开来讲，由于在多见的数据范畴里边，前两点现已能满意许多需要了。
四、多数据源多数据源这一块，在规矩引擎里边需要加一些区别，由于这毕竟和元数据系统相关，区别还是对比简单。