大数据都能应用在哪些方面？
大数据作为人类创造的资源本身具有无穷的价值，可以说所有的资源都是上天赐予的，或者地球给予我们的，但是只有大数据是我们人类经过漫长的积累，繁衍自己创造出来的巨大资源。为什么这么说呢？我们都知道，这个社会之所以发展是因为有需求，就这样产生了供给。供给和需求相互作用，平衡就可以让这个社会稳定地运行，运转，供需之间所产生的差异和不断的调整，是推整顿我们社会向前，运行的巨大动力。
那么，往常，是先有需求，然后再，需求得不到满足的情况之下，逐渐的，产生更好的奇思妙想，难免满足这种需求。即供给，而假如通过大数据把需求直接，分析清楚。同时，监控，然后同时给予供给匹配，那是否意味着这个社会的发展和进步，是非常平滑稳定，又很快的。大数据就好像推动整个社会快速运转的动力呀。往常需要经过，一年才能得到的信息，才能通过现实社会反映出来的缺乏，从而引起重视的信息以及市场机会。
会在瞬间由大数据的分析得到判断。就好像以前寄一封信，传递一份信息，需要用几天的时间，那现在只需要打一个电话，一瞬间就可以知道这个信息。用几个月，到一天的速度，提升，让我们这个社会运转的这么快，而假如。一年一个行业，一年的需求，可以在，几个月甚至几天就得到，确认，进而进行研发，开始满足这个行业或这个市场机会，那我们的社会发展是该有多快。
大数据具体是做什么？有哪些应用？
大数据即海量的数据，一般至少要达到TB级别才能算得上大数据，相比于传统的企业内数据，大数据的内容和结构要更加多样化，数值、文本、视频、语音、图像、文档、XML、HTML等都可以作为大数据的内容。提到大数据，最常见的应用就是大数据分析，大数据分析的数据来源不仅是局限于企业内部的信息化系统，还包括各种外部系统、机器设备、传感器、数据库的数据，如：政府、银行、国计民生、行业产业、社交网站等数据，通过大数据分析技术及工具将海量数据进行统计汇总后，以图形图表的方式进行数据展现，实现数据的可视化，在此基础上结合机器学习算法，对数据进行深度挖掘，发掘数据的潜在价值。
应用部分，大数据不仅包括企业内部应用系统的数据分析，还包括与行业、产业的深度融合，大数据分析的应用场景具有行业性，不同行业所呈现的内容与分析维度各不相同，具体场景包括：互联网行业、政府行业、金融行业、传统企业中的地产、医疗、能源、制造、电信行业等等。1. 互联网行业大数据的应用代表为电商、社交、网络检索领域，可以根据销售数据、客户行为（活跃度、商品偏好、购买率等）数据、交易数据、商品收藏数据、售后数据等、搜索数据刻画用户画像，根据客户的喜好为其推荐对应的产品。
2. 政府行业在大数据分析部分包括质检部门、公安部门、气象部门、医疗部门等，质检部门包括对商品生产、加工、物流、贸易、消费全过程的信息进行采集、验证、检查，保证食品物品安全；气象部门通过构建大气运动规律评估模型、气象变化关联性分析等路径，精准地预测气象变化，寻找最佳的解决方案，规划应急、救灾工作。3. 金融行业的大数据分析多应用于银行、证券、保险等细分领域，在大数据分析方面结合多种渠道数据进行分析，客户在社交媒体上的行为数据、在网站上消费的交易数据、客户办理业务的预留数据，结合客户年龄、资产规模、消费偏好等对客户群进行精准定位，分析其在金融业的需求等。
4. 传统行业包括：能源、电信、地产、零售、制造等。电信行业借助大数据应用分析传感器数据异常情况，预测设备故障，提高用户满意度；能源行业利用大数据分析挖掘客户行为特征、消费规律，提高能源需求准确性；地产行业通过内外部数据的挖掘分析，使管理者掌握和了解房地产行业潜在的市场需求，掌握商情和动态，针对细分市场实施动态定价和差别定价等；制造行业通过大数据分析实现设备预测维护、优化生产流程、能源消耗管控、发现潜在问题并及时预警等。
大数据库和数据库到底有什么区别和联系？
大数据本质是一种概念，既数据体量大、数据格式复杂、数据来源广。而数据库则是一种具体的计算机技术，用来存储数据，常见的数据库有 Mysql 数据库、Oracle 数据库等，底层还是基于磁盘来进行存储。从大数据在引申出来的技术，比如数据量大的情况，怎么存储数据，以及怎么对这些数据进行加工处理。像现在 HBase 大数据组件，主要是针对大数据存储的，Hadoop MapReduce 计算框架、Spark 计算框架等，则是针对大数据计算的。
大数据与数据库之间的关系，从大数据涉及到的技术中，包括数据库技术。因为在大数据情况下，也需要存储这些数据，此时就需要使用到数据库。当然，大数据技术存储数据不仅仅能够使用到数据库，还可以使用分布式文件系统，比如 HDFS 分布式文件系统，亚马逊的 S3 等。同时，在大数据所涉及到的技术中，也包括了大数据计算、数据的展示等等。
所以从技术领域来区分，大数据的技术会更广，而数据库技术则是更加的具体，就是用来存储数据。目前在国内互联网公司而言，大数据方面数据库使用最多的还是 HBase 列式数据库。比如阿里巴巴，其内部有很多使用 HBase 列式数据库的场景。HBase 数据库支持水平扩展，同时由于其采用 LSM 架构，天然的对数据写入支持非常好，因为是对磁盘进行追加写的模式，这比对内存随机写要更加的快速。
不仅仅是阿里，像在小米其实也有很多使用 HBase 列式数据库的场景，当然，其他小公司也在使用。所以在未来，我认为 HBase 列式数据库的发展前景非常好，毕竟也有互联网大厂在使用，开源社区方面也有它们在推动发展。如果你想学习一门大数据方面的数据库技术的话，我推荐你可以学习 HBase。我是Lake，专注大数据技术原理、人工智能、数据库技术、程序员经验分享，如果我的问答对你有帮助的话，希望你能点赞关注我，感谢。
mysql数据库中，数据量很大的表，有什么优化方案么？
个人的观点，这种大表的优化，不一定上来就要分库分表，因为表一旦被拆分，开发、运维的复杂度会直线上升，而大多数公司是欠缺这种能力的。所以MySQL中几百万甚至小几千万的表，先考虑做单表的优化。单表优化单表优化可以从这几个角度出发：表分区：MySQL在5.1之后才有的，可以看做是水平拆分，分区表需要在建表的需要加上分区参数，用户需要在建表的时候加上分区参数；分区表底层由多个物理子表组成，但是对于代码来说，分区表是透明的；SQL中的条件中最好能带上分区条件的列，这样可以定位到少量的分区上，否则就会扫描全部分区。
读写分离：最常用的优化手段，写主库读从库；增加缓存：主要的思想就是减少对数据库的访问，缓存可以在整个架构中的很多地方，比如：数据库本身有就缓存，客户端缓存，数据库访问层对SQL语句的缓存，应用程序内的缓存，第三方缓存（如Redis等）；字段设计：单表不要有太多字段；VARCHAR的长度尽量只分配真正需要的空间；尽量使用TIMESTAMP而非DATETIME；避免使用NULL，可以通过设置默认值解决。
索引优化：索引不是越多越好，针对性地建立索引，索引会加速查询，但是对新增、修改、删除会造成一定的影响；值域很少的字段不适合建索引；尽量不用UNIQUE，不要设置外键，由程序保证；SQL优化：尽量使用索引，也要保证不要因为错误的写法导致索引失效；比如：避免前导模糊查询，避免隐式转换，避免等号左边做函数运算，in中的元素不宜过多等等；NoSQL：有一些场景，可以抛弃MySQL等关系型数据库，拥抱NoSQL；比如：统计类、日志类、弱结构化的数据；事务要求低的场景。
当拆分数据量进一步增加时，我们不得不考虑表拆分的问题:垂直拆分:垂直拆分是指将一个字段较多的表拆分成多个字段较少的表；文章里也说了，单个表不能有太多字段。如果初始表格结构设计得好，就不会出现垂直拆分的问题。一般来说，一个MySQL单表最好不要超过二三十个字段。横向拆分:就是我们常说的子数据库、子表；子表解决了单个表数据过多的问题，但毕竟还是在同一个数据库服务器上，IO、CPU、网络的压力不会完全缓解。这可以通过子数据库来解决。
