大数据的出现改变了很多行业的发展模式，使得这些行业都朝着更好的方向进发。今天我们来给大家讲讲大数据中非常重要的一个部分，就是大数据的架构。一般来说，大数据不同的架构赋予大数据不同的功能，那么常见的大数据架构都有哪些呢？下面我们就给大家介绍一下这些内容。
常见的大数据架构有五种，它们分别是传统的大数据架构、流式架构、Kappa架构、Lambda架构、Unifield架构。这五种架构在大数据中广泛应用。
首先我们给大家介绍一下传统大数据的架构，这种架构之所以称之为传统大数据架构，是因为其目标定位是为了解决传统商业智能所存在的问题，简单来说，基本的数据分析业务没有发生任何本质上的变化，但是因为数据量越来越大、性能越来越低等问题导致商业智能系统无法正常使用，因此需要进行升级改造，那么传统的大数据架构便是为了解决这些问题，比如大数据量存储、提高应用系统等问题。可以看到，其依然保留了抽取、转换、加载的动作，将数据经过抽取转换加在数据采集操作进入数据存储。这种架构在很多场景中都有作用。
那么传统大数据的架构的优点是什么呢？传统大数据的优点就是简单易懂，对于商业智能系统来说，基本思想没有发生变化，变化的仅仅是技术选型，用大数据架构替换掉商业智能的组件。而传统大数据架构也有不完美的一面，那就是没有BI下如此完备的Cube架构，虽然目前有kylin，但是kylin的局限性非常明显，远远没有BI下的Cube的灵活度和稳定度，因此对业务支撑的灵活度不够，所以对于存在大量报表，或者复杂的钻取的场景，需要太多的手工定制化，同时该架构依旧以批处理为主，缺乏实时的支撑。正是因为这些，传统大数据的应用场景主要是以BI场景为主，但是因为数据量、性能等问题无法满足日常使用。
我们在这篇文章中给大家介绍了传统大数据的架构内容，通过介绍传统大数据的架构内容以及优缺点、使用场景，帮助大家更好地了解传统大数据架构的实际情况。由于篇幅原因我们就给大家介绍到这里了，我们在下一篇文章中继续给大家介绍一下流式架构以及Kappa架构，最后欢迎大家关注我们。