mpp跟hadoop有什么区别

二者处理数据的思路是一样的, 分布式并行处理, 某种程度上也都能完成同样的工作但mpp仍是关系型数据库技术, 能较好支持SQL, 使用更方便 (举例：GreenPlum)hadoop是开源平台, 本身不是数据库, 但可处理非结构化数据, 这点关系数据库很难做到

mpp是ms project创建的，安project方法和步骤如下：

1、第一步，打开下载盘 的    microsoft_project_2016_installerpkg安装程序，然后打开并运行安装向导，如下图所示，然后进入下一步>

2、其次，完成上述步骤后，单击继续以同意许可协议。d出的窗口将询问是否同意许可协议，单击“同意”按钮，如下图所示，然后进入下一步。

3、接着，完成上述步骤后，选择安装位置。如果不想更改，则可以默认继续。如果要更改安装位置，请单击“更改安装位置”按钮，如下图所示，然后进入下一步。

4、将d出安全验证。输入计算机密码，然后单击“安装软件”按钮，如下图所示，然后进入下一步。

5、接着，完成上述步骤后，将进入安装环节，等待绿色进度条完成并安装完毕，如下图所示，然后进入下一步。

6、然后，完成上述步骤后，将d出安装成功的提示。单击下面的“关闭”按钮以完成安装，如下图所示，然后进入下一步。

7、随后，完成上述步骤后，打开应用程序，就可以看到已安装的office办公软件了，如下图所示，然后进入下一步。

8、最后，完成上述步骤后，双击打开，就可以开始使用了，如下图所示。这样，问题就解决了。

Microsoft  project是由Microsoft(微软)公司开发的一套基于 Windows  *** 作系统的办公软件套装。常用组件有 project、 Word、Excel、PowerPoint等。

　农业银行紧跟时代发展的方向，以建设“让数据说话、用数据治行”的生态环境为目标，依托大数据平台整合全行数据，持续完善数据管控机制，逐步开创出一条农业银行的数据共享服务之路。

创新共享 特色大数据平台

农业银行自2013年启动大数据平台建设以来，遵循“统筹规划、顶层设计、共享复用、分步实施”的建设思路，搭建了强大、稳定、可扩展的基础运行环境，入库了海量数据，为数据融合共享提供了数据基础。

第一，搭建了自主可控的大数据平台。在信息技术“自主可控”的战略背景下，农业银行在国内首次实现了大型金融商业公司大数据平台基础软硬件的全部国产化，在同业中率先采用开放式PC Server集群为硬件基础，以“MPP数据库+Hadoop平台”混搭结构的方式构建了企业级大数据平台。

依托近千节点的MPP+Hadoop集群环境，农业银行已经具备了PB级结构化数据处理、EB级非结构化数据处理以及实时流数据处理的能力，在业界处于领先地位；基于MPP数据库大规模分布式并行计算的优势，1000亿行以上的大数据量表做复杂分析运算达到了分钟级响应；在每日1TB数据增量、月末2TB数据增量的压力下，大数据平台可以稳定保持T+1的批量处理能力，为大数据的共享应用提供了强大系统保障。

第二，入仓、整合了海量数据。银行的数据主要来自于核心业务系统、账务核算系统、渠道交易、客户营销和流程审批等系统，但单独一个系统的数据称不上数据资产，必须再整合所有的数据，形成统一的业务和客户视图才可称之为资产，其整体才能构成大数据。农业银行由管理信息部牵头，统筹了对公、零售、yhk、电子银行、金融市场、风险管理、经营分析等各条线，以及各分支机构、子公司的数据来源系统、业务规则、应用需要。经过近四年的努力，入仓源系统135个，源表7883张，仅行内结构化裸数据就已达18PB，并且形成了数据持续入仓的常态化机制。

在紧抓行内数据入仓的同时，农业银行也不断积极拓展外部数据来源。目前已经入仓了客户风险共享数据、公安部经侦局全国经济犯罪信息、最高法院失信被执行人信息，以及行外互联网新闻、主流论坛、社交媒体相关的Web非结构化数据；司法、工商、海关、农业，以及Wind、Bloomberg等外部资讯平台的数据也在持续采集积累中；基于和百度合作开展的联合实验室项目，农业银行也在积极研究相关外部数据的共享使用方式。

质量安全 保障共享服务

第一，数据质量管理是创造数据价值的前提。农业银行在大数据平台建设之前，数据分布散、质量差、管理弱、共享难的问题比较普遍，数据质量管理工作的职责也不清晰，数据低质量导致应用低效能的问题很突出。为了解决应用中的痛点问题，从数据共享使用的实际需求出发，农业银行先后开展了客户信息完整性、信贷业务跨系统一致性、同业业务一致性等主题相关的140多项专题数据问题整改工作，涉及一级部门33个，修正客户及业务记录5000余万条，将个人客户9要素平均合格率、对公客户12要素平均合格率提高至90%以上，数据治理的持续推进为数据共享服务打下坚实基础。

在数据问题治理工作中，农业银行逐步探索形成了“监测-整改-跟踪-评价”的闭环管理模式。质量定期监测是抓手，收集实际工作中遇到的数据问题，并基于此设置检查点、检查规则来收集数据问题的整体情况是质量管理工作的切入点；问题整改是核心，对发现的数据问题实行“清单制”管理，沿着“发现问题-分析原因-落实整改”的路径，持续推进落实；问题持续跟踪是关键，质量管理不是一次性工作，加强过程管理，持续反复的对数据问题考察，才能有效推进数据问题的彻底解决；考评机制是推动力，农业银行建立了“横向评价、纵向考核”机制，横向上以质量报告为抓手，定期通报各部门主管数据的质量管理工作进展，纵向上以分行数据质量考核为抓手，将质量问题的责任逐级落实到经办行和个人。同时，农业银行非常重视质量管控工作的信息化，建设了数据质量管控平台，将数据质量管控的四个环节内嵌固化到平台中，实现了数据质量监测、问题分发确认、整改任务跟踪、考核评价查询一站式服务。目前数据质量管控平台已经积累质量检查规则上千条，发布数据质量监测报告十余期，成为农业银行开展数据质量管控的有力抓手。

回顾农业银行数据质量管理的工作实践，我们有两点体会。一是该工作是一项全行性的基础工作，关系到总分行各条线各项业务的客户、产品、系统和流程，需要高管层支持，从全行层面出发，发动全行力量来共同开展；二是数据质量管理不能为了质量而抓质量，在工作开展时以营销、风控、监管统计、数据分析等具体应用工作为切入，寻找同数据主管各业务部门的价值契合点，变“要你管”为“你要管”，提高了各数据主管业务部门的积极性。

第二，安全防护体系构成了数据共享服务的底线。为了确保大数据平台数据服务的安全合规，守住数据服务的底线，农业银行规划构建矩阵式的数据安全防护体系，横向贯穿事前、事中、事后全流程，纵向覆盖管理、技术、法纪三道防线。

管理防线是第一道防线，通过建立严格的用户准入和授权机制、明确敏感数据的范围和责任主体、建立常态数据安全检查和审计机制来降低数据泄露风险；技术防线是第二道防线，采用数据云存储、敏感数据漂白加密、敏感 *** 作实时预警等手段，发挥技术规则刚性约束作用，封堵数据泄露漏洞；法纪防线是第三道防线，依托安全规范、保密协议、合规培训的落地实施，明确保密责任和违法惩罚措施，起到威慑作用。基于矩阵式安全管理的工作思路，农业银行进一步细化落实了18大类的具体工作措施以便依照执行，并在后续不断优化完善。

创新数据服务体系

第一，一个平台。数据服务平台是提供统一服务的窗口。农业银行数据服务平台为日常经营管理和数据分析挖掘提供一站式服务。日常经管类服务以权威性、一致性、时效性、易用性为导向，面向中高级管理层、各领域业务管理和营销用户提供业务看板、常用指标、多维查询、定制查询等场景化服务，大幅提升用户体验和数据共享服务水平；分析挖掘服务定位为大数据分析创新服务，为总分行初、中、高级分析师提供定制分析、自助分析、深度挖掘等专业分析能力，充分发挥分析师的创造力，深度挖掘数据共享服务的价值。

第二，一套机制。为保障数据服务的开放、共享、便捷、安全，需要一整套数据运营管理的制度、机制和流程。农业银行通过数据服务地图和数据服务流程管理，方便用户接触数据、理解数据、使用数据；通过数据资产和数据质量管理，实现对数据的全生命周期管理，提高数据的可用性；通过管理手段和技术措施联动，加强数据安全管理，确保在数据服务和应用过程中数据不泄露。

第三，一支队伍。跨条线的分析师队伍结构是数据价值发挥的关键。农业银行的分析师队伍包括数据分析师和专业分析师，组织方式采用“适度集中+重点领域”的方式，即在管理信息部和科技部门设置一定数量的数据分析师，在营销、风控等条线及分行设置专业分析师。数据分析师统筹全行数据服务和支持，承担全行综合性分析、跨领域专题分析、深度数据挖掘等；专业分析师承担本领域数据分析工作，推动分析成果在业务活动中的落地。

下一阶段，农业银行将以大数据平台为基础，以数据分析示范项目为抓手，驱动数据服务体系建设滚动前进，实现海量数据资源的充分共享，挖掘大数据的深度价值，向建设“让数据说话、用数据治行”生态环境的目标迈进。

问题一：大数据技术有哪些 非常多的，问答不能发link，不然我给你link了。有譬如Hadoop等开源大数据项目的，编程语言的，以下就大数据底层技术说下。

简单以永洪科技的技术说下，有四方面，其实也代表了部分通用大数据底层技术：

Z-Suite具有高性能的大数据分析能力，她完全摒弃了向上升级(Scale-Up)，全面支持横向扩展(Scale-Out)。Z-Suite主要通过以下核心技术来支撑PB级的大数据：

跨粒度计算(In-Databaseputing)

Z-Suite支持各种常见的汇总，还支持几乎全部的专业统计函数。得益于跨粒度计算技术，Z-Suite数据分析引擎将找寻出最优化的计算方案，继而把所有开销较大的、昂贵的计算都移动到数据存储的地方直接计算，我们称之为库内计算(In-Database)。这一技术大大减少了数据移动，降低了通讯负担，保证了高性能数据分析。

并行计算(MPP puting)

Z-Suite是基于MPP架构的商业智能平台，她能够把计算分布到多个计算节点，再在指定节点将计算结果汇总输出。Z-Suite能够充分利用各种计算和存储资源，不管是服务器还是普通的PC，她对网络条件也没有严苛的要求。作为横向扩展的大数据平台，Z-Suite能够充分发挥各个节点的计算能力，轻松实现针对TB/PB级数据分析的秒级响应。

列存储 (Column-Based)

Z-Suite是列存储的。基于列存储的数据集市，不读取无关数据，能降低读写开销，同时提高I/O 的效率，从而大大提高查询性能。另外，列存储能够更好地压缩数据，一般压缩比在5 -10倍之间，这样一来，数据占有空间降低到传统存储的1/5到1/10 。良好的数据压缩技术，节省了存储设备和内存的开销，却大大了提升计算性能。

内存计算

得益于列存储技术和并行计算技术，Z-Suite能够大大压缩数据，并同时利用多个节点的计算能力和内存容量。一般地，内存访问速度比磁盘访问速度要快几百倍甚至上千倍。通过内存计算，CPU直接从内存而非磁盘上读取数据并对数据进行计算。内存计算是对传统数据处理方式的一种加速，是实现大数据分析的关键应用技术。

问题二：大数据使用的数据库是什么数据库 ORACLE、DB2、SQL SERVER都可以，关键不是选什么数据库，而是数据库如何优化！ 需要看你日常如何 *** 作，以查询为主或是以存储为主或2者，还要看你的数据结构，都要因地制宜的去优化！所以不是一句话说的清的！

问题三：什么是大数据和大数据平台 大数据技术是指从各种各样类型的数据中，快速获得有价值信息的能力。适用于大数据的技术，包括大规模并行处理（MPP）数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网，和可扩展的存储系统。

大数据平台是为了计算，现今社会所产生的越来越大的数据量。以存储、运算、展现作为目的的平台。

问题四：常用大型数据库有哪些 FOXBASE

MYSQL

这俩可算不上大型数据库管理系统

PB 是数据库应用程序开发用的ide，根本就不是数据库管理系统

Foxbase是dos时代的产品了，进入windows时代改叫foxpro，属于桌面单机级别的小型数据库系统，mysql是个中轻量级的，但是开源，大量使用于小型网站，真正重量级的是Oracle和DB2，银行之类的关键行业用的多是这两个，微软的MS SQLServer相对DB2和Oracle规模小一些，多见于中小型企业单位使用，Sybase可以说是日薄西山，不行了

问题五：几大数据库的区别 最商业的是ORACLE,做的最专业,然后是微软的SQL server,做的也很好,当然还有DB2等做得也不错,这些都是大型的数据库,,,如果掌握的全面的话,可以保证数据的安全 然后就是些小的数据库access,mysql等,适合于中小企业的数据库100万数据一下的数据如有帮助请采纳,谢!

问题六：全球最大的数据库是什么 应该是Oracle，第一，Oracle为商业界所广泛采用。因为它规范、严谨而且服务到位，且安全性非常高。第二，如果你学习使用Oracle不是商用，也可以免费使用。这就为它的广泛传播奠定了在技术人员中的基础。第三，Linux/Unix系统常常作为服务器，服务器对Oracle的使用简直可以说极其多啊。建议楼梗多学习下这个强大的数据库

问题七：什么是大数据？ 大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。(在维克托・迈尔-舍恩伯格及肯尼斯・库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样的捷径，而采用所有数据的方法[2]）大数据的4V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）。

说起大数据，就要说到商业智能：

商业智能（Business Intelligence，简称：BI），又称商业智慧或商务智能，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。

商业智能作为一个工具，是用来处理企业中现有数据，并将其转换成知识、分析和结论，辅助业务或者决策者做出正确且明智的决定。是帮助企业更好地利用数据提高决策质量的技术，包含了从数据仓库到分析型系统等。

商务智能的产生发展

商业智能的概念经由Howard Dresner(1989年)的通俗化而被人们广泛了解。当时将商业智能定义为一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。

商务智能是20世纪90年代末首先在国外企业界出现的一个术语，其代表为提高企业运营性能而采用的一系列方法、技术和软件。它把先进的信息技术应用到整个企业，不仅为企业提供信息获取能力，而且通过对信息的开发，将其转变为企业的竞争优势，也有人称之为混沌世界中的智能。因此，越来越多的企业提出他们对BI的需求，把BI作为一种帮助企业达到经营目标的一种有效手段。

目前，商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料及来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策既可以是作业层的，也可以是管理层和策略层的决策。

为了将数据转化为知识，需要利用数据仓库、线上分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。

把商业智能看成是一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。

企业导入BI的优点

1随机查询动态报表

2掌握指标管理

3随时线上分析处理

4视觉化之企业仪表版

5协助预测规划

导入BI的目的

1促进企业决策流程(Facilitate the Business Decision-Making Process)：BIS增进企业的资讯整合与资讯分析的能力，汇总公司内、外部的资料，整合成有效的决策资讯，让企业经理人大幅增进决策效率与改善决策品质。

>>

问题八：数据库有哪几种？ 常用的数据库：oracle、sqlserver、mysql、access、sybase 2、特点。 -oracle： 1数据库安全性很高，很适合做大型数据库。支持多种系统平台（HPUX、SUNOS、OSF/1、VMS、 WINDOWS、WINDOWS/NT、OS/2）。 2支持客户机/服务器体系结构及混合的体系结构（集中式、分布式、 客户机/服务器）。 -sqlserver: 1真正的客户机/服务器体系结构。 2图形化用户界面，使系统管理和数据库管理更加直观、简单。 3具有很好的伸缩性，可跨越从运行Windows 95/98的膝上型电脑到运行Windows 2000的大型多处理器等多种平台使用。 -mysql: MySQL是一个开放源码的小型关系型数据库管理系统，开发者为瑞典MySQL AB公司，92HeZu网免费赠送MySQL。目前MySQL被广泛地应用在Internet上的中小型网站中。提供由于其体积小、速度快、总体拥有成本低，尤其是开放源码这一特点，许多中小型网站为了降低网站总体拥有成本而选择了MySQL作为网站数据库。 -access Access是一种桌面数据库，只适合数据量少的应用，在处理少量数据和单机访问的数据库时是很好的，效率也很高。 但是它的同时访问客户端不能多于4个。 -

问题九：什么是大数据 大数据是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。 大数据首先是指数据体量(volumes)大，指代大型数据集，一般在10TB规模左右，但在实际应用中，很多企业用户把多个数据集放在一起，已经形成了PB级的数据量；其次是指数据类别(variety)大，数据来自多种数据源，数据种类和格式日渐丰富，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。接着是数据处理速度（Velocity）快，在数据量非常庞大的情况下，也能够做到数据的实时处理。最后一个特点是指数据真实性（Veracity）高，随着社交数据、企业内容、交易与应用数据等新数据源的兴趣，传统数据源的局限被打破，企业愈发需要有效的信息之力以确保其真实性及安全性。

数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。

数据存取：关系数据库、NOSQL、SQL等。

基础架构：云存储、分布式文件存储等。

数据处理：自然语言处理(NLP，NaturalLanguageProcessing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机理解自然语言，所以自然语言处理又叫做自然语言理解(NLU，NaturalLanguage Understanding)，也称为计算语言学(putational Linguistics。一方面它是语言信息处理的一个分支，另一方面它是人工智能(AI, Artificial Intelligence)的核心课题之一。

统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。

数据挖掘：分类 （Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)

模型预测：预测模型、机器学习、建模仿真。

结果呈现：云计算、标签云、关系图等。

要理解大数据这一概念，首先要从大入手，大是指数据规模，大数据一般指在10TB(1TB=1024GB)规模以上的数据量。大数据同过去的海量数据有所区别，其基本特征可以用4个V来总结(Vol-ume、Variety、Value和Veloc-ity)，即体量大、多样性、价值密度低、速度快。

第一，数据体量巨大。从TB级别，跃升到PB级别。

第二，数据类型繁多，如前文提到的网络日志、视频、、地理位置信息，等等。

第三，价值密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。

第四，处理速度快。1秒定律。最后这一点也是和传统的>>

问题十：国内真正的大数据分析产品有哪些 国内的大数据公司还是做前端可视化展现的偏多，BAT算是真正做了大数据的，行业有硬性需求，别的行业跟不上也没办法，需求决定市场。

说说更通用的数据分析吧。

大数据分析也属于数据分析的一块，在实际应用中可以把数据分析工具分成两个维度：

第一维度：数据存储层――数据报表层――数据分析层――数据展现层

第二维度：用户级――部门级――企业级――BI级

1、数据存储层

数据存储设计到数据库的概念和数据库语言，这方面不一定要深钻研，但至少要理解数据的存储方式，数据的基本结构和数据类型。SQL查询语言必不可少，精通最好。可从常用的selece查询，update修改，delete删除，insert插入的基本结构和读取入手。

Access2003、Access07等，这是最基本的个人数据库，经常用于个人或部分基本的数据存储；MySQL数据库，这个对于部门级或者互联网的数据库应用是必要的，这个时候关键掌握数据库的库结构和SQL语言的数据查询能力。

SQL Server2005或更高版本，对中小企业，一些大型企业也可以采用SQL Server数据库，其实这个时候本身除了数据存储，也包括了数据报表和数据分析了，甚至数据挖掘工具都在其中了。

DB2，Oracle数据库都是大型数据库了，主要是企业级，特别是大型企业或者对数据海量存储需求的就是必须的了，一般大型数据库公司都提供非常好的数据整合应用平台。

BI级别，实际上这个不是数据库，而是建立在前面数据库基础上的，企业级应用的数据仓库。Data Warehouse，建立在DW机上的数据存储基本上都是商业智能平台，整合了各种数据分析，报表、分析和展现！BI级别的数据仓库结合BI产品也是近几年的大趋势。

2、报表层

企业存储了数据需要读取，需要展现，报表工具是最普遍应用的工具，尤其是在国内。传统报表解决的是展现问题，目前国内的帆软报表FineReport已经算在业内做到顶尖，是带着数据分析思想的报表，因其优异的接口开放功能、填报、表单功能，能够做到打通数据的进出，涵盖了早期商业智能的功能。

Tableau、FineBI之类，可分在报表层也可分为数据展现层。FineBI和Tableau同属于近年来非常棒的软件，可作为可视化数据分析软件，我常用FineBI从数据库中取数进行报表和可视化分析。相对而言，可视化Tableau更优，但FineBI又有另一种身份――商业智能，所以在大数据处理方面的能力更胜一筹。

3、数据分析层

这个层其实有很多分析工具，当然我们最常用的就是Excel，我经常用的就是统计分析和数据挖掘工具；

Excel软件，首先版本越高越好用这是肯定的；当然对excel来讲很多人只是掌握了5%Excel功能，Excel功能非常强大，甚至可以完成所有的统计分析工作！但是我也常说，有能力把Excel玩成统计工具不如专门学会统计软件；

SPSS软件：当前版本是18，名字也改成了PASW Statistics；我从30开始Dos环境下编程分析，到现在版本的变迁也可以看出SPSS社会科学统计软件包的变化，从重视医学、化学等开始越来越重视商业分析，现在已经成为了预测分析软件；

SAS软件：SAS相对SPSS其实功能更强大，SAS是平台化的，EM挖掘模块平台整合，相对来讲，SAS比较难学些，但如果掌握了SAS会更有价值，比如离散选择模型，抽样问题，正交实验设计等还是SAS比较好用，另外，SAS的学习材料比较多，也公开，会有收获的！

JMP分析：SAS的一个分析分支

XLstat：Excel的插件，可以完>>

MPP系统工作起来就像是一台单独的计算机，由于采用自动化的并行处理，在分析型数据仓库等OLAP应用中，查询性能比传统的单节点数据库大大提高。采用统一的并行 *** 作数据库引擎，将数据分散在不同的数据库节点上，在高速的内部网络环境下，对于海量数据的并发查询可极大地减少I/O，提高查询效率。

以上就是关于mpp跟hadoop有什么区别全部的内容，包括:mpp跟hadoop有什么区别、mpp后缀的是什么文件、中国农业银行数据采集手段单一的表现等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！