一、简洁Solr是一个开源的，企业级搜索服务器。她已经是一个成熟的产品，用于强化网络站点的搜索功能，包括内部局域网。她是用Java语言编写。使用HTTP和XML进行数据传输，Java的掌握对于学习Solr不是必须的。除了能返回搜索结果外，还有包括高亮搜索关键字，方位导航（已广泛用于电子商务网站），查询关键字拼写校验，自动查询建议和 “类似”查询 帮助更好定位搜索。

PV是什么：PV是page view的简写。PV是指页面的访问次数，每打开或刷新一次页面，就算做一个pv。 计算模型： 每台服务器每秒处理请求的数量=((80%*总PV量)/(24小时*60分*60秒*40%)) / 服务器数量 。其中关键的参数是80%、40%。表示一天中有80%的请求发生在一天的40%的时间内。24小时的40%是9.6小时，有80%的请求发生一天的9.6

接触这块将近3个月左右，期间给自己的定位也是业务层开发。对平台级的产品没有太深入的理解和研究，所以也不能大谈特谈什么storm架构之类的了。说说业务中碰到流式计算问题吧：1.还是要介绍下简要的架构(原谅我不会画图)流式数据接入层------------------->流式数据处理层------------------->结果数据归档层

问题 1  Spark怎么会那么快 2 Spark的适用场景。苦苦搜索，总得结果。spark是对MapReduce计算模型的改进，可以说没有HDFS，MapReduce，就没有spark.尽管spark官网很少提到MapReduce.Spark可用于迭代，主要思想是内存计算，即将数据存到内存中，以提高迭代效率。（我认为就是通过缓存数据的方式减少IO的消耗，从而提高了性能）Spark

在PD中建立物理模型由以下几种办法：直接新建物理模型。设计好概念模型，然后由概念模型生成物理模型。设计好逻辑模型，然后由逻辑模型生成物理模型。使用逆向工程的方法，连接到现有的数据库，由数据库生成物理模型。物理模型能够直观的反应出当前数据库的结构。在数据库中的表、视图、存储过程等数据库对象都可以在物理模型中进行设计。由于物理模型和数据库的一致性，接下来以数据库对象和物理模型对象的对应

通过提供对更广泛信息集的访问，大数据就可以为数据分析师和业务用户产生分析见解提供一臂之力。成功的大数据分析应用程序会揭示某些趋势和模式，以此来为决策制定提供更好的服务，并会指出新的创收机会和让企业领先于他们的商业竞争对手的方法。但首先，企业往往需要增强他们现有的IT基础设施建设以及数据管理流程以支持大数据架构的规模和复杂性。　　Hadoop系统和NoSQL数据库已经成为管理大数据环境的重要

目录(?)[+]Storm是什么Storm的组件Storm应用场景项目实施构建Topologystorm常见问题解答其他开源的大数据解决方案摘要：随着数据体积的越来越大，实时处理成为了许多机构需要面对的首要挑战。Shruthi Kumar和Siddharth Patankar在Dr.Dobb’s上结合了汽车超速监视，为我们演示了使用Storm进行实时大数据分析。CSDN在此

做数据挖掘也有些年头了，写这篇文一方面是写篇文，给有个朋友作为数据挖掘方面的参考，另一方面也是有抛砖引玉之意，希望能够和一些大牛交流，相互促进，让大家见笑了。入门：数据挖掘入门的书籍，中文的大体有这些：Jiawei Han的《数据挖掘概念与技术》Ian H. Witten / Eibe Frank的《数据挖掘 实用机器学习技术》Tom Mitchell的《机器学习》TO

买点芒果去假设有一天你准备去买点芒果。有个小贩摆放了一车。你可以一个一个挑，然后小贩根据你挑的芒果的斤两来算钱（在印度的典型情况）。显然，你想挑最甜最熟的芒果对吧（因为小贩是按芒果的重量来算钱，而不是按芒果的品质来算钱的）。可是你准备怎么挑呢？你记得奶奶和你说过， 嫩黄的芒果比暗黄的甜。 所以你有了一个简单的判断标准：只挑嫩黄的芒果。你检查各个芒果的颜色， 挑了些嫩黄的，买单，走人，爽不？

该教程基于Ubuntu12.04版，它将帮助读者建立起一份OpenStack最小化安装。我是五岳之巅，翻译中多采用意译法，所以个别词与原版有出入，请大家谅解。我不是英语专业，我觉着搞技术最重要的就是理解，而不是四级和考研中那烦人的英译汉，所以我的目标是忠于原意、通俗表达，Over。英文原文在这里（http://docs.openstack.org/es@***/openstack-compute/