大数据项目如何更科学地规划数据存储问题呢？

 大数据项目项目的业务背景一般都是比较复杂的，所以数据来源及数据种类也是参差不齐，那么，我们需要怎样更好地规划数据存储方面的东西呢？

    首先，我们来说说为什么我们需要关注数据存储的问题。第一，上面也说了，数据源种类多而复杂，面临各种集成的问题与使用的问题。第二，大数据分析的过程离不开ETL（数据抽取、转换、加载），这也是做分析的前提，因此对于数据源的存储是不容忽视的。那么，基于上面的原因，我们是否可以很肯定地说，现实项目实施过程中，一个HBase是不能够完成复杂的数据源项目背景的需求的呢？下面，我们来分析一下。

    由于HBase是一个半结构化的数据仓库，与传统的RDB有很大区别，HBase更重要的是结构，而不是类型。那么我们可以假设把数据分成3类：无结构数据、半结构化数据、结构化数据。其实对于Java程序员出身的人来说，无结构化数据是很难理解的，因为没有不能抽象化成对象的事物存在嘛，但是像Log日志文件这种数据源，它确实是种无结构化数据（当然这是以各种不同Log文件来说，这里不讨论个人输出的格式化数据）。对于半结构化的数据，就像上面说的HBase一样。HBase的鼻祖是Google公司的BigTable，据说Google公司的地图等数据存储都是用BigTable，并且性能非常卓越，具体是不是这样就不清楚了。其实我在想，结构化数据是可以转化成半结构化数据的，因为只要他们都拥有共同的结构，是可以向上转化，就像Java里面的任何类都是Object类的子类一样，都可以转化为Object类，我们把强类型的数据转化成弱类型数据。

    再回到我们大数据项目来说，如果能够把各式各样的数据转换成半结构化数据存储到HBase中，那么我们对数据的集中读取与管理是非常方便的，但是数据的转换、读取性能、数据灵活性就将成为重要的性能瓶颈。打个比方，对于实时监控或者实时分析较强的行业，如果我们把传送回来的数据经过转换再存储，读取时还需要做大量的数据类型转换、异常、合法性判断等，中间的时效性就会降低，那么数据的意义会大打折扣，因此，我们不能否认了RDB的地位。

    总结上面的讨论，可以得出这样一个结论：大数据的数据存储大致地可以规划成这3类：与Log日志文件相类似的无结构数据源、与HBase半结构化数据相类似的数据源、以RDB存储的数据源。种3种数据源基本上可以包含了大部分大数据项目的需求，当然实际上3种数据源的权重，就要根据实际项目的背景需求去衡量了！