大数据本身就是数据，但又囊括了新的特征。包括数据来源广、数据格式多样化(结构化数据、非结构化数据、Excel文件、文本文件等)、数据量大(最少也是TB级别的、甚至可能是PB级别)、数据增长速度快等。
那么，针对大数据主要的4个特征我们主要考虑以下问题：
数据来源广，该如何采集汇总?，
数据采集之后，该如何存储?
数据存储之后，该如何通过运算快速转化成一致的格式，该如何快速运算出自己想要的结果?
回应上面的各种问题，我们对应出现了Sqoop，Cammel，Datax等工具。出现了GFS，HDFS，TFS等分布式文件存储系统。对应的MapReduce这样的分布式运算框架解决了这个问题;但是写MapReduce需要Java代码量很大，所以出现了Hive，Pig等将SQL转化成MapReduce的解析引擎;
普通的mapReduce处理数据只能一批一批处理，时间相对较长，为了加快速度，实现输入数据便得到结果的愿望，我们相应的又出现了Storm/JStorm这样的低时延的流式计算框架。
但是如果同时需要批处理和流处理，按照如上就得搭两个集群，Hadoop集群(包括HDFS+MapReduce+Yarn)和Storm集群，不易于管理，所以出现了Spark这样的一站式的计算框架，既可以进行批处理，又可以进行流处理(实质上是微批处理)。而后Lambda架构，Kappa架构的出现，又提供了一种业务处理的通用架构。
为了提高工作效率，加快运速度，出现了一些辅助工具：
Ozzie，azkaban：定时任务调度的工具。
Hue，Zepplin：图形化任务执行管理，结果查看工具。
Scala语言：编写Spark程序的最佳语言，当然也可以选择用Python。
Python语言：编写一些脚本时会用到。
Allluxio，Kylin等：通过对存储的数据进行预处理，加快运算速度的工具。
以上就是大数据生态中应用工具可解决的问题，至于问题如何出现，问题出现又将如何的解决，就有待同学们进行深入的挖掘和研究啦。
学习大数据开发，可以参考好程序员提供的大数据学习路线，我们好程序员提供完整的大数据开发知识体系，内容包含Linux&&Hadoop生态体系、大数据计算框架体系、云计算体系、机器学习&&深度学习。
