有人用了这样一个形象的比喻：中国经济像一个巨人，“三农”却成了巨人的“短腿”，这让巨人再怎么有力量也跑不起来。上述材料体现的哲学道理是A．部分是整体中的部分，部分不能离开整体而存在B．在一定条件下，关..域名：学优高考网，每年帮助百万名学子考取名校！问题人评价，难度：0%有人用了这样一个形象的比喻：中国经济像一个巨人，“三农”却成了巨人的“短腿”，这让巨人再怎么有力量也跑不起来。上述材料体现的哲学道理是 A．部分是整体中的部分，部分不能离开整体而存在B．在一定条件下，关键部分的性能状态对整体功能的发挥有决定作用C．整体和部分是有区别的D．物质是世界的本质 马上分享给朋友：答案B点击查看答案解释本题暂无同学作出解析，期待您来作答点击查看解释相关试题“牧童经济”是一个形象的比喻，使人们想起牧童在放牧时，只顾放牧而不管草原的破坏。它是英国著名经济学家K·E·博尔丁提出的一种对现有的自然资源进行掠夺、破坏式利用的经济模式。
（1）下列恶果不是由于“牧童经济”模式造成的是&&&&& （）
A.土地沙漠化
B.大气污染
C.破坏性地震
D.温室效应使全球变暖
（2）下列不属于“牧童经济”的是&&&&&&& （）
A.刀耕火种，毁林开荒
B.南水北调，发展生产
C.围湖造田，开垦荒山
D.发展工业任意排放废水
（1）地震是自然因素引起的变化，不是“牧童经济”引起的。（2）南水北调，发展生产，是改变我国水资源空间分布不均的好办法，不是“牧童经济”。中子星的密度为多少？形象比喻一下_百度知道
中子星的密度为多少？形象比喻一下
这是20世纪激动人心的重大发现;立方厘米。中子星是除黑洞外密度最大的星体， 成为上世纪60年代天文学的四大发现之一，也是20世纪60年代最重大的发现之一，而且对现代物理学的发展产生了深远影响， 也就是每立方厘米的质量竟为一亿吨之巨，为人类探索自然开辟了新的领域。 乒乓球大小的中子星相当于地球上一座山的重量，同黑洞一样中子星的密度为10的11次方千克&#47
其他类似问题
按默认排序
其他3条回答
使用设在筑波的高能加速器。1，由岩崎雅彦物理化学研究所主任研究员岩崎率领的研究小组，堪与中子星的密度相匹敌，使K中子与氦原子核的两个质子和一个中子之间发生很强的引力作用。此一密度大约相当于水的一千兆倍，由此构成的九个夸克粒子在极短暂的时间内被锁闭于大约十兆分之一平方厘米的空间，在将近绝对零度(摄氏零下二百七十三点一五度)的液化氦中照射K中子据有关报道
像玻璃球那么大点竟有几千艘满载的万吨轮那样重。
相当于一个火柴盒有10吨重
中子星的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁当前位置：
＞＞＞对下面句子所采用的修辞方法和它的表达作用理解正确的一项是（）月..
对下面句子所采用的修辞方法和它的表达作用理解正确的一项是（&&）&&&月光如流水一般，静静地泻在这一片叶子和花上。&A．用比喻的修辞手法，形象地描绘了月光一泻而下的自然美。B．用夸张的手法，极力表现荷塘上月色的清朗纯洁。C．用比喻的手法，描绘荷塘上月光的清纯柔和。D．用拟人手法，描写月夜的寂静安宁。
题型：单选题难度：中档来源：不详
&C原文中没有使用夸张和拟人这两种修辞方法，而是比喻，但A项的理解没有抓住喻体“流水”的特征，而C项都抓住了，故C项为最佳答案。&&&
马上分享给同学
据魔方格专家权威分析，试题“对下面句子所采用的修辞方法和它的表达作用理解正确的一项是（）月..”主要考查你对&&修辞方法&&等考点的理解。关于这些考点的“档案”如下：
现在没空？点击收藏，以后再看。
因为篇幅有限，只列出部分考点，详细请访问。
修辞方法：
修辞是为适应特定的情境以及增强语言的表达效果，运用恰当的语言手段，以追求理性的表达效果的规律。常用的修辞方法：1、比喻（明喻、暗喻、借喻）：本体和喻体必须是本质不同的两类事物，本体和喻体必须有相似点。（1）明喻是明显的比喻，它的本体，喻体和喻词都出现。例：海洋上卷起千万堆雪浪，简直就像那刚刚裂桃的大片棉花田。（喻词“像”，本体是“雪浪”，喻体是“棉花田”）（2）暗喻从表面看是判断，叙述或说明，暗中包含着比喻关系，它的本体和喻体都出现，喻词由“好像，仿佛”变成了“是、成为”。例：十个被鲜血泡起的手指头肿的变成了大熊掌。（喻词“变成”，本体是“手指头”，喻体是“大熊掌”。）（3）借喻的本体不出现，也不用喻词，而是把喻体直接用在本体应该出现的位置。例：其缺点是见树木不见森林，捡了芝麻、绿豆却丢了西瓜。（“树木”和“森林”比喻局部和整体）2、借代：主要有特征代整体，部分代整体，专门代泛称，结果代原因，具体带抽象，作者带作品。例1：“先生，给现钱，袁世凯，不行吗？”此句用银元上的袁世凯头像代替银元。例2：你们杀死一个李公朴，会有千百个李公朴站起来！此句中第二个“李公朴”指主张民主正义的人士。3、比拟是根据想象把物拟作人，把人拟作物或把甲事物拟作乙事物的修辞格。比拟可以分为两类：拟人和拟物。拟人：比拟的一种，把物当作人来写，使物人格化，赋予物以人的言行或思想感情。例如：波浪一边歌唱，一边冲向高空，去迎接那雷声。拟物：把人当做物来写，也就是使人具有物的状态或动作，或把甲物当做乙物来写。例如：他们看见不远的地方，那宽厚肥大的荷叶下面，有一个人的脸，下半截身子长在水里。此句是把人写作物，“长在水里”是用来形容游击队员掩蔽的非常好，与荷花已经完全融为一体。　　运用比拟应注意拟体和被拟体应具备产生联想的客观基础，二者必须在某一特征上有相拟之处，例如把儿童比拟为小鸟是合适的，但是把老人比拟成小鸟就是不合适的。4、夸张：是为了更突出，鲜明地表达思想感情而有意言过其实的修辞格。（1）按意义分类可以分为：扩大夸张、缩小夸张和超前夸张。①扩大夸张：故意把事物往大、多、快、长、强……处说。例如：“石油工人一声吼，地球也要抖一抖。” ②缩写夸张：故意把事物往小、少、慢、短、弱……处说。例如：“不行！满喜你也请回去歇歇吧！活儿我不做了！三颗粮食，收不收有什么关系？” ③超前夸张：把后出现的说成是先出现或是同时出现的。例如：“嗬！行家嘛！你什么时候学会抽烟的？”“在娘肚子里我就会抽两口了！” （2）按形式可以分为直接夸张和间接夸张两类。①直接夸张：不借助其他修辞格直接进行夸张。例如：“黑龙江人常说这里的土地插根筷子都会发芽。” ②间接夸张：通过其他修辞格进行夸张。例如：“侍者上了鸡，碟子里一块像礼拜堂定风针上铁公鸡施舍下来的肉，鲍小姐用刀割不动。” 5、双关： （1）谐音双关。利用音同或音近造成的双关。例如：我失骄杨君失柳，杨柳轻飘上重霄九。此句中的“杨柳”表面上指杨花柳絮，实际上指杨开慧和柳直旬二烈士。 （2）语义双关。利用词语或句子在语境中形成的双重含义造成的双关是语义双关。例如：母亲和宏儿都睡着了。我躺着，听船底潺潺的水声，知道我在走我的路。句子中“知道我在走我的路”蕴含双重含义，表面上离开故乡，坐船走水路，同时也指“我”正在人生道路上走自己的路。6、通感：叙事状物时运通词语，使不相通的感官感觉相互沟通起来的辞格叫通感，也叫“移觉”。例如：微风过处，送来缕缕清香，仿佛远处高楼上渺茫的歌声似的。（朱自清《荷塘月色》）7、对比：对比是将两个不同的事物或者相同事物中相反的两个方面放在一起进行比较的修辞格。例如：朱门酒肉臭，路有冻死骨。8、对偶：用一对字数相等、结构相同的语句来表达相同、相关或相反的意思就是对偶。（1）正对：由意义相同或相似的前后两部分构成。例如：心血操碎，革命伟业似巍巍泰山震环宇；骨灰撒遍，总理恩情如滴滴雨露润人心。 （2）反对。由意义相反或相对的前后两部分构成。例如：生当做人杰，死亦为鬼雄。 （3）串对。也叫流水对，由意义上连贯递进、因果、条件等关系的前后两部分构成。例如：发展体育运动，增强人民体质。9、反问：反问是通过疑问的句式激发人们思考，使人们得出自己的答案。反问是只问不答的，实际上反问的答案已经暗含在问话之中了。例如：如果说贪污和浪费是极大的犯罪，浪费和摧残人才不是更大的犯罪吗？10、设问：设问采用自问自答的方式，首先自己提出问题，然后自己再回答问题。例如：什么事路？就是从没路的地方践踏出来的，从只有荆棘的地方开辟出来的。11、顶真：是前后的几个语句之间，由相同的语言成分衔接上下两句，上递下接，使得结构紧密，语意连贯，声音流畅的一种修辞手法。顶针大部分是后一句的开头承接前一句的末尾的语言成分。 （1）单联顶真。是指只有前后两句首位蝉联的顶真。例如：大雪压青松，青松挺且直。 （2）串联顶真：是指三个或三个以上的句子首位蝉联的顶真。例如：这真是座火山啊。有山就有水，有水就有脉，有脉就有苗，难怪人家说下面埋着聚宝盆。12、互文：指古代诗文上下文说用的词语交错省略而又互相补充，交互见义并合起来表达一个完整的意思。 （1）单句互文：即在同一个句子里出现的互文。例如：秦时明月汉时关。（王昌龄《出塞》）“秦”和“汉”是互文，此句应解释为“秦汉时的明月和边关”。　　　主人下马客在船。（白居易《琵琶行》）“主人”和“客人”互文，主人和客人一同下了马，登上了船。 （2）复合互文：指在相邻的句子中出现的互文。例如：将军百战死，壮士十年归。（《木兰诗》）此句“将军”和“战士”形成互文，意思是“将军很战士身经百战，大多流血牺牲了，只有少部分人征战多年才胜利归来”。13、反复：有意地重复同一词语或句子以强调某个意思或抒发某种感情的辞格。 （1）连续反复。接连重复相同的词语或句子，中间没有其他词语间隔。例如：唉！七毛钱竟买了你的生命——伱的血肉之躯竟抵不上区区七个小银元么？生命真太贱了！生命真太贱了！ （2）间隔反复：重复运用的词语或句子中间间隔其他词语或句子。例如：敌人把你的城镇变成了废墟伱没有哭；敌人把你的国家烧成了灰，你没有哭；敌人杀死了你的亲人，你没有哭；敌人把你绑在大树上烧你、烤你，你没有哭；你真是一把拉不断的硬弓，一座烧不毁的金刚！此外连续反复和间隔反复可以交错使用。例如：沉默啊！沉默啊！不在沉默中爆发，就在沉默中灭亡。14、排比：是用几个结构相似的并列语句，把相关的意思连续说出来的一种修辞手法。 （1）句子成分的排比：例如：鲁迅是在文化战线上，代表全民族的大多数，向着敌人冲锋陷阵的最正确、最勇敢、最坚决、最忠实、最热忱的空前的民族英雄。此句是定语的排比。 （2）句子或分句的排比：例如：第一个月来，咱们娘娘有说有笑；第二个月来，咱们娘娘不苟言笑；第三个月来，咱们娘娘不言不笑。这是三个分句的排比。15、谐音：谐音就是利用汉字同音或近音的条件，用同音或近音字来代替本字，产生辞趣的修辞格。例如：邢大舅就喝了一杯，说道：“……那土地道：‘这墙砌的不结实。’众神将道：‘你瞧去。’土地一看，果然是一堵好墙，怎么还有失事？把手摸了一摸，道：‘我打量是真墙，那里知道是个“假墙”！’”众人听了，大笑起来。贾蔷也忍不住的笑，说道：“傻大舅！你好！我没有骂你，你为什么骂我？快拿来罚一大杯！”（曹雪芹《红楼梦》）——“假墙”与“贾蔷”谐音。16、引用：引用是指写文章时，有意引用现成语、诗句、格言、典故等，以表达自己的思想感情，说明自己对新问题、新道理的见解，这种修辞手法叫引用。例如：这安公子是那女孩儿一般百依百顺的，怎么忽然的这等执性起来？……他这一段是从至性中来，正所谓儿女中的英雄，一时便有个“富贵不能淫，贫贱不能移，威武不能屈”的意思；旁人只说是慢慢的劝着就劝转来了，那知他早打了个“九牛拉不转”的主意，一言抄百总，任是谁说，算是去定了。（清?文康《儿女英雄传》） 常用修辞手法列举：1、文段中主要使用的修辞手法有以下：比喻、拟人、夸张、排比、对偶（又名对仗、排偶）、反复、借代、比拟（又名比体）、寄寓（寄托），互文、设问、引用、呼告、反问、顶真（又名联珠、顶针）等。其中比喻可以分为：明喻、暗喻、借喻、博喻（又名复喻）、倒喻（又名逆喻）、反喻、互喻（又名回喻）、较喻（可分为强喻，弱喻）、譬喻、曲喻、饰喻、引喻、隐喻。
2、其他特殊性描写方法：有白描，避复，变用，层递，衬垫（又名衬跌），衬托（正衬、反衬、陪衬），倒文，倒装，迭音，叠字，复叠，翻新，反复，反语，仿词，仿化，飞白，分承（又名并提、合叙、合说）；复迭错综，复合偏义，共用，互体，换算，回环，回文，降用，歧谬，摹绘（又分为：摹形，摹声，摹色），列锦，连及，警策，示现，双关，重言，重叠，指代，用典，移用，谐音，歇后，镶嵌，析字，委婉（又分为：迂回语、谦敬语、避讳语），婉曲，通感（又名移觉），移就，跳脱，转文，复沓，拈连（又称：顺拈）。
&一些常用的修辞用法：(1)比喻。它是用某一具体的、浅显、熟悉的事物或情境来说明另一种抽象的、深奥、生疏的事物或情境的搜索一种修辞方法。比喻分明喻、暗喻、借喻三种形式。明喻的形式可简缩为:甲(本体)如(喻词:像、似、若、犹、好像、仿佛)乙(喻体)。暗喻的形式可简缩为:甲是(喻词:成、变成、成为、当作、化作)乙。明喻在形式上是相似关系,暗喻则是相合关系。借喻:只出现喻体,本体与比喻词都不出现。如:燕雀安知鸿鹄之志!
(2)借代。不直接说出要说的人或事物,而是借用与这一人或事物有密切关系的名称来替代,如以部分代全体;用具体代抽象;用特征代本体;用专名代通称等。如:①不拿群众一针一线。(一针一线代群众的一切财产)②不要大锅饭。("大锅饭"代抽象的"平均主义")③花白胡子坐在墙角里吸旱烟。(花白胡子是以特征代本体)④千万个雷锋活跃在祖国大地上。("雷锋"以具体的形象代抽象的共产主义思想)
(3)比拟。把人当物写或把物当人来写的一种修辞方法,前者称之为拟物,后者称之为拟人。如:①做人既不可翘尾巴,也不可夹着尾巴。(拟物)②蜡炬成灰泪始干。(拟人)
(4)夸张。对事物的形象、特征、作用、程度等作扩大或缩小描绘的一种修辞方法。如:①白发三千丈,缘愁似个长。("三千丈"为扩大夸张)②芝麻粒儿大的事,不必放在心上。("芝麻粒儿"是缩小夸张)③太阳刚一出来,地上已经像下了火。(把前一事物"出来"与后一事物"下火"夸张到几乎是同时出现,有人称此种夸张方式为超前夸张)
(5)对比。是把两种事物或同一事物的两个方面并举加以比较的方法。如:①先天下之忧而忧,后天下之乐而乐。②朱门酒肉臭,路有冻死骨。
(6)对偶。用结构相同或相近,字数相等的一对短语或句子对称排列起来表达相对或相近的意思。如:①满招损,谦受益。②横眉冷对千夫指,俯首甘为孺子牛。③欲穷千里目,更上一层楼。(流水对)④望长城内外,惟余莽莽,大河上下,顿失滔滔。(扇面对)
(7)排比。把内容相关、结构相同或相似、语气一致的几个(一般要三个或三个以上)短语或句子连用的方法。如:但这回却很有几点出于我的意外。一是当局者竟会这样地凶残,一是流言家竟至如此之下劣，一是中国的女性临难竟能如是之从容。
(8)反复。根据表达需要,使同一个词语或句子一再出现的方法。反复可以是连续的，也可间隔出现。(9)反语。即通常所说的"说反话"--实际要表达的意思和字面意思是相反的。如:"友邦人士"从此可以不必"惊诧莫名"，只请放心来瓜分就是了。(10)反问。是用疑问的形式来表达确定的意思,因此,不需要回答。(11)设问。为了突出所说的内容,把它用问话的形式表示出来。【备考点】：掌握比喻、拟人、排比、夸张、反问、设问等修辞手法。
【应考点】:要掌握几种修辞手法的特点：1、比喻是用具体、浅显的，人们容易理解的事物去给抽象的、深奥的、人们生疏的事物打比方。一个比喻句中有本体和喻体以及比喻词。2、拟人就是把物当作人写，赋予它们人的思想感情，和人一样会说话、有感情。3、夸张是把要描写的事物有意地夸大或缩小，使其更鲜明，更突出。4、反问是用疑问的形式表达比肯定更强烈的情感。5、设问也就是明知故问、自问自答。6、把结构相同或相似、语气一致、意义密切相关的三个或三个以上的短语、句子排列起来，就是排比。
发现相似题
与“对下面句子所采用的修辞方法和它的表达作用理解正确的一项是（）月..”考查相似的试题有：
242427286559120784297356247434161020如何用形象的比喻描述大数据的技术生态？Hadoop、Hive、Spark 之间是什么关系？
对于我们这些文科，商科生来说。我们刚刚搞懂服务器，数据库，C++，java等基础语言是个什么东西的时候，大数据时代来了，科技蜀黍又玩起Hadoop，HDFS，MapReduce，Common，Spark，Mahout，HBase，NoSQL，Cassandra，GFS, MapReduce, BigTable，Hive，Pig……这些蛇精病和大怪兽了。我不认识它们，还有什么妖怪没记进来的，请各位继续在评论里补充。可各位大神能不能把这些混乱的技术妖词（对不起，正是因为不懂，所以很乱），做一个生态的比喻？比成，一棵树？一个城市？一个人的循环系统？随便你比……总之让我们这些技术白痴也能搞明白，它们之间是什么关系，谁是干什么的？叩谢。
按投票排序
大数据本身是个很宽泛的概念，Hadoop生态圈（或者泛生态圈）基本上都是为了处理超过单机尺度的数据处理而诞生的。你可以把它比作一个厨房所以需要的各种工具。锅碗瓢盆，各有各的用处，互相之间又有重合。你可以用汤锅直接当碗吃饭喝汤，你可以用小刀或者刨子去皮。但是每个工具有自己的特性，虽然奇怪的组合也能工作，但是未必是最佳选择。大数据，首先你要能存的下大数据。传统的文件系统是单机的，不能横跨不同的机器。HDFS（Hadoop Distributed FileSystem）的设计本质上是为了大量的数据能横跨成百上千台机器，但是你看到的是一个文件系统而不是很多文件系统。比如你说我要获取/hdfs/tmp/file1的数据，你引用的是一个文件路径，但是实际的数据存放在很多不同的机器上。你作为用户，不需要知道这些，就好比在单机上你不关心文件分散在什么磁道什么扇区一样。HDFS为你管理这些数据。存的下数据之后，你就开始考虑怎么处理数据。虽然HDFS可以为你整体管理不同机器上的数据，但是这些数据太大了。一台机器读取成T上P的数据（很大的数据哦，比如整个东京热有史以来所有高清电影的大小甚至更大），一台机器慢慢跑也许需要好几天甚至好几周。对于很多公司来说，单机处理是不可忍受的，比如微博要更新24小时热博，它必须在24小时之内跑完这些处理。那么我如果要用很多台机器处理，我就面临了如何分配工作，如果一台机器挂了如何重新启动相应的任务，机器之间如何互相通信交换数据以完成复杂的计算等等。这就是MapReduce / Tez / Spark的功能。MapReduce是第一代计算引擎，Tez和Spark是第二代。MapReduce的设计，采用了很简化的计算模型，只有Map和Reduce两个计算过程（中间用Shuffle串联），用这个模型，已经可以处理大数据领域很大一部分问题了。那什么是Map什么是Reduce？考虑如果你要统计一个巨大的文本文件存储在类似HDFS上，你想要知道这个文本里各个词的出现频率。你启动了一个MapReduce程序。Map阶段，几百台机器同时读取这个文件的各个部分，分别把各自读到的部分分别统计出词频，产生类似（hello, 12100次），（world，15214次）等等这样的Pair（我这里把Map和Combine放在一起说以便简化）；这几百台机器各自都产生了如上的集合，然后又有几百台机器启动Reduce处理。Reducer机器A将从Mapper机器收到所有以A开头的统计结果，机器B将收到B开头的词汇统计结果（当然实际上不会真的以字母开头做依据，而是用函数产生Hash值以避免数据串化。因为类似X开头的词肯定比其他要少得多，而你不希望数据处理各个机器的工作量相差悬殊）。然后这些Reducer将再次汇总，（hello，12100）＋（hello，12311）＋（hello，345881）= （hello，370292）。每个Reducer都如上处理，你就得到了整个文件的词频结果。这看似是个很简单的模型，但很多算法都可以用这个模型描述了。Map＋Reduce的简单模型很黄很暴力，虽然好用，但是很笨重。第二代的Tez和Spark除了内存Cache之类的新feature，本质上来说，是让Map/Reduce模型更通用，让Map和Reduce之间的界限更模糊，数据交换更灵活，更少的磁盘读写，以便更方便地描述复杂算法，取得更高的吞吐量。有了MapReduce，Tez和Spark之后，程序员发现，MapReduce的程序写起来真麻烦。他们希望简化这个过程。这就好比你有了汇编语言，虽然你几乎什么都能干了，但是你还是觉得繁琐。你希望有个更高层更抽象的语言层来描述算法和数据处理流程。于是就有了Pig和Hive。Pig是接近脚本方式去描述MapReduce，Hive则用的是SQL。它们把脚本和SQL语言翻译成MapReduce程序，丢给计算引擎去计算，而你就从繁琐的MapReduce程序中解脱出来，用更简单更直观的语言去写程序了。有了Hive之后，人们发现SQL对比Java有巨大的优势。一个是它太容易写了。刚才词频的东西，用SQL描述就只有一两行，MapReduce写起来大约要几十上百行。而更重要的是，非计算机背景的用户终于感受到了爱：我也会写SQL！于是数据分析人员终于从乞求工程师帮忙的窘境解脱出来，工程师也从写奇怪的一次性的处理程序中解脱出来。大家都开心了。Hive逐渐成长成了大数据仓库的核心组件。甚至很多公司的流水线作业集完全是用SQL描述，因为易写易改，一看就懂，容易维护。自从数据分析人员开始用Hive分析数据之后，它们发现，Hive在MapReduce上跑，真鸡巴慢！流水线作业集也许没啥关系，比如24小时更新的推荐，反正24小时内跑完就算了。但是数据分析，人们总是希望能跑更快一些。比如我希望看过去一个小时内多少人在充气娃娃页面驻足，分别停留了多久，对于一个巨型网站海量数据下，这个处理过程也许要花几十分钟甚至很多小时。而这个分析也许只是你万里长征的第一步，你还要看多少人浏览了跳蛋多少人看了拉赫曼尼诺夫的CD，以便跟老板汇报，我们的用户是猥琐男闷骚女更多还是文艺青年／少女更多。你无法忍受等待的折磨，只能跟帅帅的工程师蝈蝈说，快，快，再快一点！于是Impala，Presto，Drill诞生了（当然还有无数非著名的交互SQL引擎，就不一一列举了）。三个系统的核心理念是，MapReduce引擎太慢，因为它太通用，太强壮，太保守，我们SQL需要更轻量，更激进地获取资源，更专门地对SQL做优化，而且不需要那么多容错性保证（因为系统出错了大不了重新启动任务，如果整个处理时间更短的话，比如几分钟之内）。这些系统让用户更快速地处理SQL任务，牺牲了通用性稳定性等特性。如果说MapReduce是大砍刀，砍啥都不怕，那上面三个就是剔骨刀，灵巧锋利，但是不能搞太大太硬的东西。这些系统，说实话，一直没有达到人们期望的流行度。因为这时候又两个异类被造出来了。他们是Hive on Tez / Spark和SparkSQL。它们的设计理念是，MapReduce慢，但是如果我用新一代通用计算引擎Tez或者Spark来跑SQL，那我就能跑的更快。而且用户不需要维护两套系统。这就好比如果你厨房小，人又懒，对吃的精细程度要求有限，那你可以买个电饭煲，能蒸能煲能烧，省了好多厨具。上面的介绍，基本就是一个数据仓库的构架了。底层HDFS，上面跑MapReduce／Tez／Spark，在上面跑Hive，Pig。或者HDFS上直接跑Impala，Drill，Presto。这解决了中低速数据处理的要求。那如果我要更高速的处理呢？如果我是一个类似微博的公司，我希望显示不是24小时热博，我想看一个不断变化的热播榜，更新延迟在一分钟之内，上面的手段都将无法胜任。于是又一种计算模型被开发出来，这就是Streaming（流）计算。Storm是最流行的流计算平台。流计算的思路是，如果要达到更实时的更新，我何不在数据流进来的时候就处理了？比如还是词频统计的例子，我的数据流是一个一个的词，我就让他们一边流过我就一边开始统计了。流计算很牛逼，基本无延迟，但是它的短处是，不灵活，你想要统计的东西必须预先知道，毕竟数据流过就没了，你没算的东西就无法补算了。因此它是个很好的东西，但是无法替代上面数据仓库和批处理系统。还有一个有些独立的模块是KV Store，比如Cassandra，HBase，MongoDB以及很多很多很多很多其他的（多到无法想象）。所以KV Store就是说，我有一堆键值，我能很快速滴获取与这个Key绑定的数据。比如我用身份证号，能取到你的身份数据。这个动作用MapReduce也能完成，但是很可能要扫描整个数据集。而KV Store专用来处理这个操作，所有存和取都专门为此优化了。从几个P的数据中查找一个身份证号，也许只要零点几秒。这让大数据公司的一些专门操作被大大优化了。比如我网页上有个根据订单号查找订单内容的页面，而整个网站的订单数量无法单机数据库存储，我就会考虑用KV Store来存。KV Store的理念是，基本无法处理复杂的计算，大多没法JOIN，也许没法聚合，没有强一致性保证（不同数据分布在不同机器上，你每次读取也许会读到不同的结果，也无法处理类似银行转账那样的强一致性要求的操作）。但是丫就是快。极快。每个不同的KV Store设计都有不同取舍，有些更快，有些容量更高，有些可以支持更复杂的操作。必有一款适合你。除此之外，还有一些更特制的系统／组件，比如Mahout是分布式机器学习库，Protobuf是数据交换的编码和库，ZooKeeper是高一致性的分布存取协同系统，等等。有了这么多乱七八糟的工具，都在同一个集群上运转，大家需要互相尊重有序工作。所以另外一个重要组件是，调度系统。现在最流行的是Yarn。你可以把他看作中央管理，好比你妈在厨房监工，哎，你妹妹切菜切完了，你可以把刀拿去杀鸡了。只要大家都服从你妈分配，那大家都能愉快滴烧菜。你可以认为，大数据生态圈就是一个厨房工具生态圈。为了做不同的菜，中国菜，日本菜，法国菜，你需要各种不同的工具。而且客人的需求正在复杂化，你的厨具不断被发明，也没有一个万用的厨具可以处理所有情况，因此它会变的越来越复杂。
有兴趣可以访问上面的网站，了解更多的知识。我暂且就按照一个由远及近的顺序，按照时间的早晚从大数据出现之前的时代讲到现在。暂时按一个城市来比喻吧，反正Landscape的意思也大概是”风景“的意思。早在大数据概念出现以前就存在了各种各样的关于数学、统计学、算法、编程语言的研究、讨论和实践。这个时代，算法以及各种数学知识作为建筑的原料(比如钢筋、砖块)，编程语言作为粘合剂(比如水泥)构成了一座座小房子(比如一个应用程序)，形成了一小片一小片的村庄(比如一台服务器)。这个时代村与村之间还没有高速公路(GFS, HDFS, Flume, Kafka等)，只有一条泥泞不好走的土路(比如RPC)，经济模式也是小作坊式的经济。一开始互联网并不发达，网速也不快，这种老土的方式完全应付得来，可是随着社交网络和智能手机的兴起，改变了这一切。网站流量成百上千倍的提高，数据变得更加多样化，计算机硬件性能无法按照摩尔定律稳定的提升，小村庄，小作坊生产的模式注定受到限制。人们需要更强大的模式...起开始，人们以为只要有一个强大的中央数据库，也就是在所有的村庄之间建一座吞吐量巨大，并且兼容并蓄(非关系型，NoSQL)的仓库，用来中转每个村庄生产的大量异质货物就能够拉动经济的增长。可是没过多久，人们就意识到这是一个too young to simple的想法，因为这个仓库的大小也总是有上限的。之后MapReduce的概念最早由google提出，用来解决大规模集群协同运算的问题，既然一台计算机性能有限，何不将他们联合起来？其野心勃勃，希望为每个村庄都建立一条”村村通“公路，也就是GFS了，就是Google分布式文件系统的意思，将不同服务器的硬盘连接起来，在外面看起来就好像一块巨大的硬盘。然后构建与其上的MapReduce就是一座工厂调度每个村庄的劳动力和物资，让这些村庄作为一个经济体运转起来。居民变得富裕起来了。不过，富裕起来的只有”谷歌镇“，世界的其他村镇仍然过着原始的生活。这个时候雅虎和Apache的一帮人本着独乐乐不如众乐乐的精神，仿造google的思想，创建了HDFS(Hadoop 分布式文件系统，对应GFS)、Hadoop(对应google的MapReduce)，并公开了全部的蓝图，供全世界免费使用。这样整个世界到处都建立起来了工厂，人们变得富裕起来了。这个时代，Hadoop叫做大数据基础设施。俗话说：饱暖思淫欲，工厂的领导不满足于村镇工厂的粗放型生产，也不再想雇用那么多的劳动力，所以Mahout、HBase、Hive、Pig应运而生，他们都是数控机床，加工中心，只需要几名操作手就能够让整个工厂运转起来，自此人们安居乐业，丰衣足食。当然，少数更有野心的资本家，不满足于现在的生产力，为了追求更高的利润（这是资本主义的本质），开发了效率更高的系统Spark，可以10倍于Hadoop的速度生产产品，新的时代才刚刚拉开序幕...就是这样，以上！
让我用做饭来类比。做饭自己吃
开发一个自己公司用的软件在饭店做饭
开发一个商业软件经营中央厨房
分布式处理软件区别在哪呢？自己做饭吃，想怎么做怎么做。在饭店要满足大多数人的口味，还要控制成本。中央厨房核心难点是大规模生产的流程和质量控制。======== 以下是吐槽 ========其实还有一个容易混淆的东西，大数据是个商业概念，比较接近的技术名词是分布式系统。大数据的概念比分布式系统广，包括技术还包括技术产生的价值。分布式系统的技术本身是盘冷菜，被大数据翻出来了而已。现在流行的这些软件思想基础都是二十世纪九十年代的研究成果而已。数据价值也不是新概念了，统计学有很多经典案例来说明数据的价值，大数据理想中是突破传统的统计规模，产生质变。理想和现实的差距还是很大，我没见过真正产生价值的大数据应用案例。也许是真有突破别人也不愿意分享吧。这导致我成了大数据黑，参考我去年写的文章：
大数据应用领域总结来讲分为离线计算和实时计算。随着数据量的增加，OLTP模式已经难以胜任，于是OLAP逐渐成为主流。无论是实时计算还是离线计算，基本思想是相同的，即：分而治之。大型互联网公司，单次业务需处理的数据量达到在TB级以上时，仿佛三维世界的小人不小心踏进了四维空间碎片，就像星际穿越里的那位哥们，一切记忆中非常简单的事物此时都变得异常复杂。复杂到用diff来比较两个文件都变得十分困难，复杂到我们给文件里地数据排个序都似乎变得不可能。此时，我们就像浪潮之巅里地弄潮儿，不知不觉间遇到了技术瓶颈。我们想呼救，发现众屌丝比我们还挫，我们试图突破，但总是不尽如人意，有些人想到了用超大型计算机，然而处理结果还是跟不上数据量的增加，好痛苦，好无助....然而就在此时，仿佛晴天一声霹雳，谷歌的三篇论文给我们带来了曙光，给了我们希望。GFS解决了海量数据存储的问题，MapReduce解决了分布式计算的问题，BigTable帮助我们构建分布式的数据仓库。我们欢呼，跪舔，并且对未来充满了希望，but, 我们发现坑爹的谷歌只点化了大众，缺没有开源代码。怎么办呢，只有自己挽起袖子撸一个出来了。于是，华强北山寨版大组合Hadoop出来了。hadoop完全一对一山寨了谷歌的三篇论文的思想，憋出了HDFS(山寨自GFS), MapReduce, Hbase(BigTable)……下面单独对Hadoop及其生态系统做一个基本介绍，她是目前除谷歌外大数据处理的最基本支柱和灵魂，是当今世界大数据处理的里程碑。------------------------------------------Hadoop生态圈图谱如下： Hadoop生态系统的图谱，详细的列举了Hadoop这个生态系统中出现的各种数据工具。 这一切，都起源自Web数据爆炸时代的来临 数据抓取系统
Hadoop生态系统的图谱，详细的列举了Hadoop这个生态系统中出现的各种数据工具。 这一切，都起源自Web数据爆炸时代的来临 数据抓取系统 － Nutch 海量数据怎么存，当然是用分布式文件系统 － HDFS数据怎么用呢，分析，处理 MapReduce框架，让你编写代码来实现对大数据的分析工作 非结构化数据（日志）收集处理 － fuse,webdav, chukwa, flume, Scribe 数据导入到HDFS中，至此RDBSM也可以加入HDFS的狂欢了 － Hive, sqoop MapReduce太麻烦，好吧，让你用熟悉的方式来操作Hadoop里的数据 – Pig, Hive, Jaql 让你的数据可见 － drilldown, Intellicus用高级语言管理你的任务流 – oozie, Cascading Hadoop当然也有自己的监控管理工具 – Hue, karmasphere, eclipse plugin, cacti, ganglia 数据序列化处理与任务调度 – Avro, Zookeeper 更多构建在Hadoop上层的服务 – Mahout, Elastic map Reduce OLTP存储系统———————————————— hadoop vs spark Hadoop:分布式批处理计算，强调批处理，常用于数据挖掘、分析 Spark:是一个基于内存计算的开源的集群计算系统，目的是让数据分析更加快速, Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。 Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。 尽管创建 Spark 是为了支持分布式数据集上的迭代作业，但是实际上它是对 Hadoop 的补充，可以在 Hadoop 文件系统中并行运行。通过名为Mesos的第三方集群框架可以支持此行为。Spark 由加州大学伯克利分校 AMP 实验室 (Algorithms,Machines,and People Lab) 开发，可用来构建大型的、低延迟的数据分析应用程序。 虽然 Spark 与 Hadoop 有相似之处，但它提供了具有有用差异的一个新的集群计算框架。首先，Spark 是为集群计算中的特定类型的工作负载而设计，即那些在并行操作之间重用工作数据集（比如机器学习算法）的工作负载。为了优化这些类型的工作负载，Spark 引进了内存集群计算的概念，可在内存集群计算中将数据集缓存在内存中，以缩短访问延迟. 在大数据处理方面相信大家对hadoop已经耳熟能详，基于GoogleMap/Reduce来实现的Hadoop为开发者提供了map、reduce原语，使并行批处理程序变得非常地简单和优美。Spark提供的数据集操作类型有很多种，不像Hadoop只提供了Map和Reduce两种操作。比如map,filter, flatMap,sample, groupByKey, reduceByKey, union,join, cogroup,mapValues, sort,partionBy等多种操作类型，他们把这些操作称为Transformations。同时还提供Count,collect, reduce, lookup, save等多种actions。这些多种多样的数据集操作类型，给上层应用者提供了方便。各个处理节点之间的通信模型不再像Hadoop那样就是唯一的Data Shuffle一种模式。用户可以命名，物化，控制中间结果的分区。————————————————python 及其它Python和hadoop没啥关系，做数据分析时可以和R语言类比，实现streaming时可以和php ruby perl shell awk类比。Bigtable来自谷歌，对应hadoop里的HBaseGFS来自谷歌，对应hadoop里的HDFS……所以你看，搞懂hadoop是多么重要
Google内部早就开始玩大数据，发现时代跟不上他们的节奏，担心技术后继无人，于是发表了三篇论文（搜下gfs bigtable mapreduce）。有几个工作不饱和，整天没事干的人，想搞个开源的网页搜索（lucene nutch）。看到那三篇论文被震惊了，于是开始依葫芦画瓢，在一个二流的互联网公司(Yahoo)开始实践。这正中Google下怀。倒腾几下，出来了一头大象（hadoop），这只是个代号而已。大数据，不仅仅是存储海量的数据，更强调利用好数据的价值，这就是分析和计算。好比一个庞大的原子弹研发团队，爱因斯坦只有一个，把爱因斯坦压榨成疯子模样也只是杯水车薪，但是可以往里面投入能力差一点、各个大学、研究机构量产的、也有一定能力的学渣们（我靠），来一起搞，人海战术被证明是可行的，因为cpu不就是很多二极管（2货们）组成的嘛。每个学渣要能记住一些信息和处理一些信息。这就是分布式存储和计算（hdfs mapreduce），上层由爱因斯坦之类的来统一把控。好吧，开始跑，罗斯福问爱因斯坦，学渣们靠得住吗。爱因斯坦回答，这个系统本来就假设学渣们靠不住，他们天天dota，泡妹子，但系统有足够好的容错性，一个不行就换另一个，一个太慢就两个一起跑，谁快用谁，内部还有信用机制和黑名单呢。罗斯福说，我看行。
楼主比我知道的词多了去了。ps, 我是程序员
你的答案在这里。这群神经病多是apache家跑出来的，互相勾结缠绕依附
分布式系統，也就是把虛擬層再提升一個面。以個體電腦或節點當為處理器。簡單說就是解決單一電腦性能的局限。你所提及的那些名詞，你要明白他們只是工具。除非你要改進他們每一樣的性能，否則你亦無須去了解每一樣。在這個時代，更需要掌握的是中心思想，而不是每一樣工具的用法。好像有些離題了ˊ_&ˋ一個生態的比喻啊，就是一台大電腦，每一個individual分擔著整個系統的每一部分。它們是獨立的，但為一個目標所引導。
一个完全外行人的理解：bigdata cycle：origin-user sata，service data，system data，IOT data...==&storage-sql,nosql,distribute file system...==&compute-hadoop mapreduce,spark,storm...==&analyze-machine learning...==&feedback-new features or new products...==&stimulate more data...每个环节都有太多的东西了。
怎么没有storm，kettle，pantaho之类的蛇精病。。。哈哈哈哈}