人大经济论坛 › 标签 › 音乐

标签: 音乐经管大学堂：名校名师名课

相关帖子	版块	作者	回复/查看	最后发表

国际唱片业协会数字音乐产业研究报告2012中文版 / IFPI Digital Music Report 2012	行业分析报告	racom 2013-6-18	3 4203	J.R 2013-12-12 16:52:33
【音乐】群星 -《冬梅-休闲音乐》黑胶CD[APE]	休闲灌水	曲歌99 2013-3-25	41 6439	特仑大成 2013-8-27 00:35:04
罗大佑来长沙只有两天了！你在期待哪首歌！	新手入门区	2724570061 2013-7-11	0 3340	2724570061 2013-7-11 19:06:22
夜的感伤曲	休闲灌水	明天明天你好 2013-6-26	1 3459	小偷都该枪毙 2013-6-26 16:23:24
游戏音乐--------	休闲灌水	第三款后 2013-5-3	0 673	第三款后 2013-5-3 18:15:11
“影视与音乐”版帖子分类的申请	版主议事厅	guo.bailing 2013-4-22	3 52	guo.bailing 2013-4-23 08:50:22
视频音乐的自动播放能不能取消？	版主议事厅	zhangibt 2013-4-1	8 41	guo.bailing 2013-4-3 09:36:48
推荐音乐	休闲灌水	玥落 2013-3-23	1 3194	gecong123 2013-3-23 20:59:05
应该弄个音乐专区	坛友说	xzeviews 2013-3-20	0 484	xzeviews 2013-3-20 18:59:50
李志洲《寂寞情歌》解读音乐寂寞之“苦”	休闲灌水	老的电子 2013-3-19	0 867	老的电子 2013-3-19 18:55:20
喜欢的大气音乐，欢迎追加	休闲灌水	flying_fire 2013-1-16	8 1650	雪夜独饮 2013-3-14 20:11:14
2012年数字音乐行业研究报告	行业分析报告	J.R 2013-1-14	1 3714	hanxianfeng 2013-1-14 10:58:35

更多...

相关日志

分享音乐起源之“模仿说”: 清新蓝色星空 2014-9-4 11:54; 　　【内容摘要】文章通过论述音乐起源之“模仿说”，解析了当代管弦乐创作中的有关现象，进一步论述在当代数字技术之上，利用“频谱”比“五线谱”更准确表述的特点。通过频谱图、光谱图等数据作为管弦乐作品的创作源泉和模仿对象，能使我们更加准确、有效地观察音乐的微观音响状态，能够更接近音响的本质特征和自然形态，其是现代科技带给我们分析和创作应用的新工具和新方法。　　【关键词】模仿说模仿频谱分析呼麦　　有关音乐的起源问题，有多种答案，其中我们熟知的有劳动说、游戏说、巫术说、爱情说、表现说等。在戴里克·柯克所著的《音乐语言》论著中，强调音乐起源于模仿。以贝多芬第六交响曲（《田园》）为例，从第一乐章开始的主题模仿风笛的五度持续音，到第二乐章结尾部分用木管乐器奏出三种鸟的音调，长笛交替吹着两个音描写夜鹰；双簧管反复吹着一个音描写鹌鹑；单簧管吹着下行的大三度音描写杜鹃，三种演奏重复进行。在第六交响曲中，第二乐章开始就用木管乐器和法国号模仿节拍器的“滴答”声，造成了较好的听觉效果。这样看来，音乐源于自然（模仿），同时音乐也源于精神（心灵的象征和暗示），而“以艺术形式表现感情，唯一方式就是为之发现一套客观关系”。　　《辞海》与《说文解字》中对“仿”字有几种说法：第一为效法，第二为依照，第三为好像，第四为类似。在音乐模仿中存在追求的声音与临摹的对象可以划分为“相似”或“神似”的两种状态，表现为对自然音响和人工音响所进行的直接音响模仿。本文有关模仿是指采用管弦乐乐队对音响的模仿。　　嵇康在《声无哀乐论》中说：“声之于音，犹形之于心也”。这里“声”是指音乐的音响形式，而“音”是指音乐的内容。关于音乐的象征或暗示，抑或音乐源于“精神”或音乐源于核心期刊 “自然”的讨论并非本文研究的重点。但在音响化思维的论域中，诸如瑞士理论家库特为代表的能量论，亥姆霍兹的相关协和理论，嫁接“音响”的基本属性和概念，引入声学中的共振物理现象，将情感空间的模拟作为审美的“共振”过程，可以形象地论述和表明音乐的象征和审美的过程。一般音乐的审美过程常分为金字塔形的若干阶段，对音响运动的感知是音乐审美的基础和前提。音响，指客体的声响效果，“声音”“乐音”如同主体产生的客观印象。如果说音乐是通过时间来创造空间，那么这种所属“心理形象”必然会具备物理的基本属性。音乐的审美过程如同“物理”的振动过程，物理上共振的定义是当物体本身所具备的固有频率与外界频率相吻合时才能产生共振的效果。“故琴瑟报弹其宫，他宫自鸣而应之，此物之以类动者也！”①沈括在《梦溪笔谈·乐律》中称为“应声”，又云：“此声学至要妙处也。”如果把此妙处在内容上进行延伸，那么每个人的心灵空间的基本频率是什么呢？其必然与自然音响的天然联系紧密。那么，自然音响的音响化创作特点是什么呢？　　借鉴或通过音响的物理特性来解释音乐的象征和暗示也不妨是一种方法，如同频谱音乐与音响属性的血脉联系，与此类似，其所关注的不在于音响“型象”，而在于音响“形象”，关注音响自然属性的表达，凸显了“音响”作为关键字在音乐作品的审美意义。　　19世纪前，就有观点认为，音乐是对外部世界的模仿。英国物理学家卢瑟福在研究原子光谱时也说：“如今我们在光谱线的絮语中听到的声音，是从原子中响出的真正的天籁，是各种关系的和音。”②我们把音乐的审美一般划分为四个层面，音响的感知是基础，其余为感知音乐的内涵、把握音乐内蕴的深意，领悟音乐中体现的美。而斯托克豪森在谈论他的作品《瞬间》时说道：“靠分析某些声音感知，剖析它们，支配它们，然后把这种感知运用到我们自己的结构中；靠把论文答辩创作音响的思维进程具体化，并把这种思维进程在我们自己的作曲中加以实验……”③ 　　在潘德列斯基的作品《广岛》中，由管弦乐队合成警报器效果。在其《荧光》作品中直接应用警报器作独立乐器，更有趣的是在作品的结尾处，将低音提琴在保持长音的拉奏过程中，逐渐拧松琴轴，使弦乐组的低音区向下方大大扩展，达到“最低极限音区”的范围。从而达到一种模拟“警报器”的特殊的弦乐“滑奏”效果。　　在施特劳斯《堂·吉诃德》的片段中，作者用长号与大号在内的整个铜管乐器组此起彼伏的音响效果，来描绘主人公错乱幻想造就的假想敌——一群叫唤的绵羊。此外，在涅格管弦乐曲《太平洋231号》的片段。作曲家利用长号的弹吐和滑奏，以及对火车行进节奏的模仿来描摹火车头的运动。音效化也有着从外动态向微动态转化的特点，如具体音乐流派（大量对自然音效的直接运用）与希纳基斯在作品《辩证的变形》中从g1音开始应用“电子扫频”管弦乐技法，达到了特殊的音响效果，以及何训田作品《天籁》的特殊演奏法（用弓拉铁器振动）造成接近正弦波即纯音的电子化音响效果，都说明了这一点。　　在“模仿说”的基础之上，本文认为，采用“频谱分析”的思路，即在微观上对音色进行客观定量的分析，能在音响、音效的临摹具体创作中起到积极的指导作用。其在传统的创作流程中增加了进行音响样本的采样分析的环节。可以明确的是，应用本文所提出的方法，对任何声音、音响进行音响逻辑化的进程时，只能做到近似、神似甚至相似，而不能做到相同。例如，对蒙古族特殊的音色“呼麦”进行音色频谱比较分析，通过对“呼麦”音响的模仿，根据“呼麦”的自然音响频谱分析数据，获得具体音高，并采用传统管弦乐器最接近地模仿出“呼麦”的音响。　　总之，建立在“模仿说”理论基础之上，利用论文网站当代数字化分析技术，用分析结果指导作曲。通过频谱比五线谱更准确表述的特点，形成音色微观分析和三维立体分析思维，从而拓展音乐表现的空间。经过频谱分析后形成的频谱图、光谱图，其数据作为作品的创作源泉和模仿对象。虽然音色本身是个动态变化的过程，从“频谱分析”的显微镜下看待音色、力度等音乐元素，能使我们更加有效地观察音乐要素，能够更接近音响的本质特征。其是现代的科技带给我们分析和创作应用的新工具和新方法，这种新的微观化的思维和方法，对于“音乐之河”所交汇涤荡下的音乐新的发展流程有一定的积极作用。摘自【中国期刊库】; 8 次阅读|0 个评论

分享音乐: cl266287 2014-4-5 12:24; 好听！; 个人分类: 初来乍到|9 次阅读|0 个评论

分享人生淡如菊: 提拉米苏816 2014-3-26 17:34; 人的一生是要经历许多阶段的，比如说纯真无邪的少年时代，激情如火的青春岁月，厚重沉稳的中年时期，从容淡定的人生暮年。每个时候都有独特的风景，每段岁月都会给人不同的感受。可进入中年的她，突然间感觉自己，就一下从躁动中宁静下来了，不经意间就有了种坐看云起云舒，我自心境如水的超然。　　她感到在无意中，一切都漫漫地淡下来了，常常会挂着淡淡的微笑，给人一种和谐温馨之感；常常看淡名利和物质，却看重人与人之间的感情，常常不会冲动行事，也不会轻易后悔，她会为自己的决定负责。可当她一旦爱上一个人，一定会坚守自己的那份爱，爱情的保质期是“永远”。　　她还会在秋阳明丽的早晨或午后为自己沏一壶香茗，手捧一本书细细品位，慢慢欣赏。她懂得什么是智性美，她更愿意在闲暇的时候去学习书法音乐美术，或者去充电接受最新的科技知识，来提高自己的修养和品位，她不会把时间浪费在世俗的纷争和无聊的麻将中，更不会和别人去攀比高档名牌的服饰和虚荣的炫耀，她知道真正的美丽一定是由内而外散发出来的。　　可是她也记得不久前还在为工作上的事烦恼不已，什么上司不赏识呀，工作业绩不突出啦，还有同事之间不服气了，等等，等等，整个身心陷进了争强好胜的泥沼里，苦苦挣扎，不能释怀，可是到了中年一切就都云开日出了，不是不努力工作，只是觉得自己尽力就问心无愧了，至于结果就不会去过多考虑了，这样反而同事之间的关系和谐了，人的精神就愉快了，心胸也宽广了。　　她也有曾经陷入爱恋中不能自拔的时候。那时，在热恋中痛苦，因为怕失去，所以猜忌怀疑，无事生非，互相折磨；在失恋中更痛苦，因为无所依傍，所以孤独寂寞，痛不欲生，自我戕害。可是到了人生的这个时期，不管是热恋也好，失恋也罢，都能平静地对待，诗意的化解。不是说心如止水，情如枯井，而是能理智地看待，睿智地经营，这样使情爱更彰显出深沉含蓄之美，情深意切之境。让相爱的双方没有压力，更能享受爱本身给人带来的快乐。　　她想每个人的一生中的某个阶段是需要某种热闹的，那时侯饱涨的生命力需要向外奔突，就象急湍的河流一样。但一个人不能永远停留在这个阶段。经过了激烈的撞击之后，生命就来到了一块开阔的谷地，汇蓄成了一片浩瀚的的湖泊。这时就会变得异常的平和宁静，这种脱离了世俗的宁静，是以丰富的精神内涵为依傍的。它是一种超脱，一种繁华落尽见真情的纯粹，一种精神的升华。托尔斯泰曾经说过：“随着年岁增长，我的生命越来越精神化了”。说的就是这样的感触。　　人淡如菊，就是一种丰富的精神安静。具有这种品格的人，能够浸润在风晨雨夕，面对着阶柳庭花，听得到自然的呼吸，感受得到自然的脉搏。这时，斗室便是八极，内心顿成宇宙；这时，精神就会富有，心胸就会博大；这时，便拥有了一份澄明清澈，一份从容淡定。人生就从此不寂寞了。; 0 个评论

分享支撑过万亿音乐事件的数据分析系统: lk2556 2014-2-8 15:04; 当下，在线行为分析已并不罕见，但对整个音乐产业进行分析仍然不是一件容易的事情——你需要横跨Spotify、iTunes、YouTube、Facebook等众多流行平台进行相关跟踪，其中包括近5亿的音乐视频流、下载、艺术家页面上产生的大量likes（每日）等，这将给分析系统扩展性带来巨大的挑战。Next Big Sound每天从100多个源中收集这些数据，进行分析，并通过基于网络的分析平台将这些信息提供给唱片公司、乐队经理及艺术家。时至今日，类似Hadoop、HBase、Cassandra、MongoDB、RabbitMQ及MySQL这样的开源系统已在生产环境中得到了广泛应用，Next Big Sound正是基于开源构建，然而Next Big Sound的规模显然更大了一些——从超过100个源接收或收集数据。Eric团队首先面临的问题就是如何处理这些不停变化的数据源，最终他们不得不自主研发了一个存储系统，从根本上说是个可以“version”或者“branch”化从这些数据源上收集的数据，类似GitHub上的代码版本控制。Next Big Sound通过给Cloudera发布版增加逻辑层来实现这个需求，随后将这个层与Apache Pig、 HBase、Hive、HDFS等组件整合，形成一个在Hadoop集群上海量数据的版本控制框架。作为 “Moneyball for Music” 一员，Next Big Sound开始只是个运行在单服务器上的LAMP网站，为少量艺术家追踪MySpace上的播放记录，用以建立 Billboard人气排行榜，以及收集Spotify上每首歌曲上产生的数据。随着数据以近指数级速度的增长，他们不得不选用了分布式系统。同时，为了跟踪来自公共及私有提供者的100多个数据源和不同性质音乐的分析处理，Next Big Sound需要比当下开源数据库更优秀的解决方案。 Next Big Sound一直保持着非常小的工程团队，使用开源技术搭建整个系统，采用过完全云架构（Slicehost）、混合云架构（Rackspace）、主机托管（Zcolo）等不同架构形式。统计 40个节点的Hadoop集群（150TB容量），约60个OpenStack虚拟机 10TB的非重复、已压缩的数值型数据（6TB原始、4TB索引） 10个工程师，总计22人 5年的开发每天30万时间序列查询峰值期间每天400GB新数据记录百万艺术家超过万亿的事件，包括了YouTube音乐视频访问数、Twitter上转发和@艺术家的数量、iTunes购买数以及在线广播流。平台托管：使用ZColo进行托管操作系统：虚拟和实体服务器都使用 Ubuntu 12.04 LTS 虚拟化：OpenStack（2x Dell R720计算节点、96GB RAM、2x Intel 8-core CPU、5K SAS磁盘驱动器）服务器：Dell R420、 32GB RAM、4x 1TB 7.2K SATA数据磁盘, 2x Intel 4-core CPU 部署：Jenkins Hadoop： Cloudera (CDH 4.3.0) 配置：Chef 监视：Nagios、Ganglia、Statsd + Graphite、 Zenoss 、 Cube 、 Lipstick 数据库：HBase、MySQL、MongoDB、Cassandra（正在逐步使用HBase替代）语言：数据收集和集成用PigLatin + Java、数据分析使用Python + R + SQL、PHP ( Codeigniter + Slim )、JavaScript ( AngularJS + Backbone.js + D3 ) 处理：Impala、Pig、Hive、 Oozie 、 RStudio 网络：Juniper（10Gig、冗余核心层W/自动故障转移、机架上配备1 Gig接入交换机）存储架构使用类似Cassandra及HBase这类分布式系统存储时间序列是很容易的，然而，随着数据和数据源的暴增，数据管理变得不再容易。传统情况下，整合从100+数据源中搜集数据的工作包含以下两个步骤：首先，在Hadoop ETL管道对原始数据进行处理（使用MapReduce应用、Pig或者Hive）；其次，将结果存储到HBase以便后续Finagle/Thrift服务的检索。但是在Next Big Sound，情况有了些不同，所有存储在Hadoop/HBase中的数据通过一个特殊的版本控制系统维护，它支持ETL结果上的改动，允许根据需求来修改定义处理管道的代码。在对Hadoop数据进行再计算时，使用“版本化”管理Hadoop数据提供了一个可恢复及版本化途径，扩展了许多数据处理周期技术（比如LinkedIn ）。而Next Big Sound系统的区别在于可以配置版本化的等级，而不是必须在全局运行，举个例子：在记录一个艺术家某个地理区域上tweet转发次数的用例中，忽然发现在某个时间段内基于地理位置编码的逻辑是错误的，只需建立这个时间段的新数据集就可以了，从而避免了对整个数据集进行重建。不同的数据通过版本进行关联，也可以为某些用户指定所访问数据的版本，从而实现只有在数据精确时才对用户释放新的版本。类似这样的“Branching”数据可以应对数据源和客户需求的变化，同时也可以让数据管道更高效。更多详情查看下图（点击查看大图）：更多详情可查看 Paper: HBlocks: A Hadoop Subsystem for Iterative Data Engineering . 在Hadoop基础设施方面，同样面临了很多难题：1，跨整个音乐产业的社交网络和内容发布网站的实体关系映射；2，贯穿上千万数据集建立用于排序和搜索的Web应用；3，管理数百万API调用的信息以及网络爬虫。这些操作都产生了特定的需求，而在Next Big Sound，系统完全建立在开源技术之上，下面是一个概况图（点击查看大图）：数据显示测量仪表盘一直都是个进行中的项目，这个工作大部分由用户需求主导。由于数据源太多，这里的长期目标是做灵活性和学习曲线之间的平衡；同时，由于新客户和特性的增加，维持一个连续的JavaScript/PHP代码库进行管理也变得愈加困难。Next Big Sound操作如下：开始使用简单的Codeigniter应用，尽可能的尝试添加Backbone，当下已战略性的转向Angular。使用Memcache缓存大型静态对象。度量数据的缓存和历史记录使用本地存储。使用D3做图，之前使用的是Rickshaw。没有做功能标志，但是使用了自己的方法。如果某个代码库经常被重写，这点将非常重要，没有它，很多事情我们都完成不了。 FIND 投入大量精力做用户基于给定条件的数据集搜索，这个功能被定义为“FIND”项目的预览版本。类似股票筛选器，用户可以做类似的查询。比如：Rap艺术家，占YouTube视频播放数的30-40百分位，同时之前从未出现在任何流行排行榜上。这个功能主要依赖于MongoDB，在MapReduce作业提供了大量索引集的情况下，系统完全有能力以近实时速度完成数百万实体上的查询。 MongoDB在这个用例上表现的非常好，然而其中一直存在索引限制问题。Next Big Sound一直在挑战这个瓶颈，ElasticSearch得到了重点关注。内部服务产品使用了所有度量数据，API由1个内部Finagle服务支撑，从HBase和MySQL中读取数据。这个服务被分为多个层（同一个代码运行），关键、低延时层通常直接被产品使用，一个具备更高吞吐量、高延时的二级层则被用作编程客户端。后两个方向一般具有更多的突发性和不可知性，因此使用这样的分离层可以给客户交付更低的延时。这样的分层同样有利于为核心层建立更小的虚拟机，将Finagle剩余的服务器共至于Hadoop/HBase机器上。 Next Big Sound API 支撑Next Big Sound内外共同使用的主API已经过多次迭代，下面是一些重点建议：不要建立一个只体现方法的API，建立一个模型化系统实体的API，使用HTTP（GET、PUT、POST、HEAD、PATCH、DELETE）处理这些实体行为，这样会让API更容易预测和实验。对于依赖实体关系的方法，为主实体使用类似“字段”里的参数，让它提供重点关注的实体关系。在Next Big Sound，这就意味着API将提供一个带有“字段”参数的“艺术家”方法，如果这个字段被设置成“id、name”，那么将允许返回这个艺术家的姓名；如果将这个字段设置成“id、name、profiles、videos”，那么将允许返回艺术家在YouTube频道上的信息以及所有视频。读取实体之间的关系可能有很大的开销，这种方法可以适当的避免数据库查询，并抛弃一些丑陋的组合方法，比如“getArtistProfiles”或者“getArtistVideos”。使用外部API来建立应用程序的好处已众所周知，但是在实践的过程中还发现一些比较隐晦的益处，比如给项目添加新Web工程师。Next Big Sound之前在API调用和JS代码之间添加了一些PHP代码，而现在则严格限制JavaScript和API之间的交互。这就意味着Web开发者可以专注于浏览器代码，而在使用Backbone及Angular框架后更是如虎添翼。提醒和基准在音乐的世界里随时都有事情发生，为了获得“有意义”的事情，Next Big Sound必须在所有平台建立基准数据（比如Facebook每天产生like的数量），并提醒客户。开始时也遇到过许多扩展性问题，但是在使用Pig/Hadoop做处理并将结果储存在MongoDB或MySQL后，事情简单了起来。Next Big Sound所做的工作就是发现趋势，那么给“有意义”设立临界值就变得至关重要，因此在做基准时必须使用尽可能多的数据，而不是只从某个数据上入手，与基准线的偏离量将代表了一切。 Billboard Charts Next Big Sound被授权做两个Billboard杂志排行榜，一个是艺术家在线流行指数总排行，另一个是哪个艺术家可能会在未来排行榜上占据一席之地。这个功能并未造成任何扩展性问题，因为只是做所有艺术家得分的一个反向排行，但是制造一个无重复、有价值的列表显然需要考虑更多因素。非实名给系统带来了大量麻烦（比如Justin Bieber的Twitter用户名到底是"justinbieber"、"bieber"及"bieberofficial"中的哪一个），通常情况下，会采用机器和人工组合来解决这个问题。基于1个人名的选错会产生重大影响，手动完成则必不可少。随后发现，为在系统上增加这个“功能”，即让它记住类似的处理方法并有能力重现将变得非常有效，幸运的是，这个系统实现难度并不大。预测Billboard得分在哪个艺术家将会在下一个年度爆发的预测上曾开发了一个专利算法，这个过程应用了 Stochastic Gradient Boosting 技术，分析基于不同社交媒体成员的传播能力。在数学方面，实现难度比较大，因为许多使用的工具都非Hadoop友好实现，同时也发现 Mahout 表现非常一般。这里的处理过程包括输入数据集、通过MapReduce作业写入MongoDB或者是Impala，通过R-MongoDB或者R-Impala来兼容R，然后使用R的并行处理库在大型机上处理，比如multicore。让Hadoop承担大部分负载和大型机承担剩余负载带来了很多局限性，不幸的是，暂时未发现更好的解决办法，或许RHadoop是最好的期望。托管 1. 必须拥有自己的网络解决方案。如果你想从小的团队开始，确保你团队中有人精通这个，如果没有的话必须立刻雇佣。这曾是Next Big Sound最大的痛点，也是导致一些重大宕机的原因。 2. 在不同的主机托管提供商之间转移总是很棘手，但是如果你有充足的额外预算去支付两个环境运行主机的开销，那么风险将不会存在。抛开一些不可避免的异常，在关闭旧供应商的服务之前，将架构完全复制到新服务供应商，并做一些改进。使用提供商服务往往伴随着各种各样的问题，对比因此耗费的工作及宕机时间来说，资金节省根本不值一提。 3. Next Big Sound有90%的工作负载都运行在Hadoop/HBase上，鉴于大部分的工作都是数据分析而非用户带访问网站产生，因此峰值出现的很少，也就造成了使用提供商服务开销很难比自己托管服务器低的局面。Next Big Sound周期性的购买容量，但是容量增加更意味着获得了更大的客户或者是数据合作伙伴，这也是为什么使用自己硬件可以每个月节省2万美元的原因。经验 1. 如果你从很多的数据源中收集数据，同时还需要做适度的转换，错误不可避免会发生。大多数情况下，这些错误都非常明显，在投入生产之前给予解决；但是也有一些时候，你需要做充足的准备以应对生产过程中发生的错误。下面是一些生产过程中发现的错误： Twitter上艺术家TB级数据集的收集，并在1到2天内加载到数据库。为了证明自己应对交期，告诉客户数据已经可用。（1个月的）等待，为什么有20%的追随者都在Kansas，Bumble****？地理名称转换代码将“US”译为国家的中部。因为客户仍然在使用数据集正确的部分导致无法删除，只能对之再加工，并重新写入数据库，修改所有代码让之读取两个表格，只在新表格中没有这条记录时才读取旧表格，只在所有再处理结束后才可以删除旧表格。近百行的套管程序，直至几天后，作业完成。在这些情景下可能存在更明智的做法，直到出现的次数足够多，你才会明确需要修改这些不能被完全删除的生产数据并重建，这也是为什么Next Big Sound为之专门建立系统的原因。 2. 多数的数据都使用Pig建立并处理，几乎所有的工程师都会使用它。因此，工程师们一直在致力研究Pig，这里不得不提到Netflix的Lipstick，非常有效。这个过程中还发现，取代可见性，降低Pig上开发迭代的时间也非常重要。同时，在测试之前，花时间为产生20+ Hadoop作业的长期运行脚本建立样本输入数据集也非常重要。 3. 关于HBase和Cassandra，在使用之前讨论这两个技术的优劣纯粹是浪费时间，只要弄懂这两个技术，它们都会提供一个稳健且高效的平台。当然，你必须基于自己的数据模型和使用场景在这两个技术之间做选择。http://www.data-analyse.com 数据分析软件; 15 次阅读|0 个评论