1. Office 哪个版本最好用，我是做大数据分析的，对于数据稳定性和Excel表格可操作性要求较高，

这种情况，我推荐office
2016版本，
首先office
2016版本能够只通过键盘就可以操作更回多的excel功能，不再让鼠标答拖慢进度，
而且新增加的功能使数据对比和操作更加便捷；
其次office
2016卓越的数据防丢失功能极大限度地提高了数据操作的稳定性，让数据不轻易丢失。

2. 如果将大数据量的word文档内容导入数据库

放弃掉把,程序可以把你写死

3. 求维克托·迈尔-舍恩伯格《大数据时代》必读书系WORD或者PDF

数据圈论坛上有这本书楼主直接去下载就行了，pdf版的

4. 怎么把Word大数据导入CDR里面

1.
打开word文档并选择要入导入CDR中的表格右键复制。如图：
2.打开CDR，在CDR菜单条中依次选择"编辑"---"选择性专粘贴属"，在弹出对话框中选择"图画增强的图元文件"并确定。如下图：
3.完成上步后，在CDR页面中就导入了word表格，线型、文字、格式都没有变化。如果需要改文字，直接更改就可了。完全可以现CDR对它的随意操作,非常方便。如果如图：

5. 要把一个大数据的Excel表插到Word.该怎么做

1，先复制EXCEL中的数据
2，在粘贴到WORD中；粘贴后可能不美观，调整适当的宽度、高度 即可

6. 怎么在word里做大数据表格，急

用横排吧，“文件”→“页面设置”→“页边距”→“方向”→选择“横向”

7. Word文档可以做大数据吗

word删除空白页方法汇总
1.将鼠标放在前一页的最后,用DEL健删除。如果空白面是最后一页,且鼠标在第一行，可选“格式”-“段落”，将这一行的行距设为固定值1磅，该空白页将自动消失。
2.先显示分页符，即在Word的左下角调整到“普通视图”状态，这时分页符就出现了，直接删除即可。
3 选择“替换”点“高级”，在里面选择“使用通配符”以后下面有一个“特殊字符”字的开头，按住shift的时候再点下鼠标，选择空白页,再删除（解决了我的问题）
4.如果是插入分页符造成的空白页，少的话，删除分页符就行，就是到空白页顶部按退格键。（普通视图护订篙寡蕻干戈吮恭经下或打开编辑标记会显示分页符）
5.如果分页符很多，可以编辑/替换/高级/特殊字符/人工分页符/全部替换就可以了。
6.如果是你画了一个表格，占了一整页，造成最后一个回车在第二页删不了，可以将表格缩小一点或者将上面或者下面页边距设小一点，在文件/页面设置中，上下的数字改小一点。
7.将鼠标放在前一页的最后,用DEL健删除。如果空白面是最后一页,且鼠标在第一行，可选“格式”-“段落”，将这一行的行距设为固定值1磅，该空白页将自动消失。
8、后面有空白是上一页内容过多导致的，一般可以把鼠标点到空白面上，然后按回退键，退有内容的那一面，空白的就没有了，如果还存在，可以稍调整一下上一页内容，少一行就可以了 。
9、word 预览有空白页 页面视图时没有。空白页有页码，造成我打印的文档页码不连续。怎样删除：可能是你的文档中有过宽，过长的对象（如表格，图片，公式），导致与打印纸张的规格不一至，调整附近的对象（如表格，图片，公式）大小看看。也可能与分栏和一些可个和回车符号有关。
10、ctrl+enter即可去除空白页
11、插入表格后的Word删除空白页

8. 大数据如何入门

导读：

第一章：初识Hadoop

第二章：更高效的WordCount

第三章：把别处的数据搞到Hadoop上

第四章：把Hadoop上的数据搞到别处去

第五章：快一点吧，我的SQL

第六章：一夫多妻制

第七章：越来越多的分析任务

第八章：我的数据要实时

第九章：我的数据要对外

第十章：牛逼高大上的机器学习

经常有初学者会问，自己想往大数据方向发展，该学哪些技术，学习路线是什么样的，觉得大数据很火，就业很好，薪资很高……首先，如果你确定了想往这个方面发展，先考虑自己的过去从业经历、专业、兴趣是什么。计算机专业——操作系统、硬件、网络、服务器？软件专业——软件开发、编程、写代码？还是数学、统计学专业——对数据和数字特别感兴趣？

其实这就是想告诉你大数据的三个发展方向，平台搭建/优化/运维/监控、大数据开发/设计/架构、数据分析/挖掘。

先扯一下大数据的4V特征：

  • 数据量大，TB->PB

  • 数据类型繁多，结构化、非结构化文本、日志、视频、图片、地理位置等；

  • 商业价值高，但是这种价值需要在海量数据之上，通过数据分析与机器学习更快速的挖掘出来；

  • 处理时效性高，海量数据的处理需求不再局限在离线计算当中。

    • 现如今，正式为了应对大数据的这几个特点，开源的大数据框架越来越多，越来越强，先列举一些常见的：

    文件存储：Hadoop HDFS、Tachyon、KFS

    离线计算：Hadoop MapRece、Spark

    流式、实时计算：Storm、Spark Streaming、S4、Heron

    K-V、NOSQL数据库：HBase、Redis、MongoDB

    资源管理：YARN、Mesos

    日志收集：Flume、Scribe、Logstash、Kibana

    消息系统：Kafka、StormMQ、ZeroMQ、RabbitMQ

    查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

    分布式协调服务：Zookeeper

    集群管理与监控：Ambari、Ganglia、Nagios、Cloudera Manager

    数据挖掘、机器学习：Mahout、Spark MLLib

    数据同步：Sqoop

    任务调度：Oozie

    ······

    第一章：初识Hadoop

    1.1学会网络与Google

    不论遇到什么问题，先试试搜索并自己解决。

    Google首选，翻不过去的，就用网络吧。

    1.2参考资料首选官方文档

    特别是对于入门来说，官方文档永远是首选文档。

    相信搞这块的大多是文化人，英文凑合就行，实在看不下去的，请参考第一步。

    1.3先让Hadoop跑起来

    Hadoop可以算是大数据存储和计算的开山鼻祖，现在大多开源的大数据框架都依赖Hadoop或者与它能很好的兼容。

    关于Hadoop,你至少需要搞清楚以下是什么：

  • Hadoop 1.0、Hadoop 2.0

  • MapRece、HDFS

  • NameNode、DataNode

  • JobTracker、TaskTracker

  • Yarn、ResourceManager、NodeManager

    • 自己搭建Hadoop，请使用第一步和第二步，能让它跑起来就行。

    建议先使用安装包命令行安装，不要使用管理工具安装。

    另外：Hadoop1.0知道它就行了，现在都用Hadoop 2.0.

    1.4尝试使用Hadoop

  • HDFS目录操作命令；

  • 上传、下载文件命令；

  • 提交运行MapRece示例程序；

  • 打开Hadoop WEB界面，查看Job运行状态，查看Job运行日志。

  • 知道Hadoop的系统日志在哪里。

    • 1.5了解它们的原理

    MapRece：如何分而治之；

    HDFS：数据到底在哪里，什么是副本；

    Yarn到底是什么，它能干什么；

    NameNode到底在干些什么；

    ResourceManager到底在干些什么；

    1.6自己写一个MapRece程序

    仿照WordCount例子，自己写一个（照抄也行）WordCount程序，

    打包并提交到Hadoop运行。

    不会Java的话，Shell、Python都可以，有个东西叫Hadoop Streaming。

    如果能认真完成了以上几步，恭喜你，你的一只脚已经进来了。

    第二章：更高效的WordCount

    2.1学点SQL吧

    如果不懂数据库的童鞋先学习使用SQL句。

    2.2 SQL版WordCount

    在1.6中，你写（或者抄）的WordCount一共有几行代码？

    如果用SQL的话：

  • SELECT word,COUNT(1) FROM wordcount GROUP BY word;

    • 这便是SQL的魅力，编程需要几十行，甚至上百行代码，SQL一句就搞定；使用SQL处理分析Hadoop上的数据，方便、高效、易上手、更是趋势。不论是离线计算还是实时计算，越来越多的大数据处理框架都在积极提供SQL接口。

    2.3安装配置Hive

    Hive算是数据仓库工具，安装不难，网上有很多教程，配置完成后，可以正常进入Hive命令行。

    2.4试试使用Hive

    尝试在Hive中创建wordcount表，并运行2.2中的SQL语句。在Hadoop WEB界面中找到刚才运行的SQL任务。看SQL查询结果是否和1.4中MapRece中的结果一致。

    明明写的是SQL，为什么Hadoop WEB界面中看到的是MapRece任务？

    2.5学会Hive的基本命令

    创建、删除表；加载数据到表；下载Hive表的数据；并学习更多关于Hive的语法和命令。

    以上如果按照第一章和第二章的流程认真完整的走了一遍后，应该已经具备以下技能和知识点：

    0和Hadoop2.0的区别

    MapRece的原理（还是那个经典的题目，一个10G大小的文件，给定1G大小的内存，如何使用Java程序统计出现次数最多的10个单词及次数）；

    HDFS读写数据的流程；向HDFS中PUT数据；从HDFS中下载数据；

    自己会写简单的MapRece程序，运行出现问题，知道在哪里查看日志；

    会写简单的SELECT、WHERE、GROUP BY等SQL语句；

    Hive SQL转换成MapRece的大致流程；

    Hive中常见的语句：创建表、删除表、往表中加载数据、分区、将表中数据下载到本地；

    从上面的学习，你已经了解到，HDFS是Hadoop提供的分布式存储框架，它可以用来存储海量数据，MapRece是Hadoop提供的分布式计算框架，它可以用来统计和分析HDFS上的海量数据，而Hive则是SQL On Hadoop，Hive提供了SQL接口，开发人员只需要编写简单易上手的SQL语句，Hive负责把SQL翻译成MapRece，提交运行。

    此时，你的认知中“大数据平台”是这样的：


  • 这时，使用Flume采集的数据，不是直接到HDFS上，而是先到Kafka，Kafka中的数据可以由多个消费者同时消费，其中一个消费者，就是将数据同步到HDFS。

    • 总结：

    为什么Spark比MapRece快。

    使用SparkSQL代替Hive，更快的运行SQL。

    使用Kafka完成数据的一次收集，多次消费架构。

    自己可以写程序完成Kafka的生产者和消费者。

    前面的学习已经掌握了大数据平台中的数据采集、数据存储和计算、数据交换等大部分技能，而这其中的每一步，都需要一个任务（程序）来完成，各个任务之间又存在一定的依赖性，比如，必须等数据采集任务成功完成后，数据计算任务才能开始运行。如果一个任务执行失败，需要给开发运维人员发送告警，同时需要提供完整的日志来方便查错。

    第七章：越来越多的分析任务

    不仅仅是分析任务，数据采集、数据交换同样是一个个的任务。这些任务中，有的是定时触发，有点则需要依赖其他任务来触发。当平台中有几百上千个任务需要维护和运行时候，仅仅靠crontab远远不够了，这时便需要一个调度监控系统来完成这件事。调度监控系统是整个数据平台的中枢系统，类似于AppMaster，负责分配和监控任务。

    7.1 Apache Oozie

    1. Oozie是什么？有哪些功能？

    2. Oozie可以调度哪些类型的任务（程序）？

    3. Oozie可以支持哪些任务触发方式？

    4.安装配置Oozie。

    7.2其他开源的任务调度系统

    Azkaban

    light-task-scheler

    alibaba/zeus

    ……

    此时：


    第八章：数据要实时

    在第六章介绍Kafka的时候提到了一些需要实时指标的业务场景，实时基本可以分为绝对实时和准实时，绝对实时的延迟要求一般在毫秒级，准实时的延迟要求一般在秒、分钟级。对于需要绝对实时的业务场景，用的比较多的是Storm，对于其他准实时的业务场景，可以是Storm，也可以是Spark Streaming。当然，如果可以的话，也可以自己写程序来做。

    8.1 Storm

    1. 什么是Storm？有哪些可能的应用场景？

    2. Storm由哪些核心组件构成，各自担任什么角色？

    3. Storm的简单安装和部署。

    4. 自己编写Demo程序，使用Storm完成实时数据流计算。

    8.2 Spark Streaming

    1. 什么是Spark Streaming，它和Spark是什么关系？

    2. Spark Streaming和Storm比较，各有什么优缺点？

    3. 使用Kafka + Spark Streaming，完成实时计算的Demo程序。

    此时：


  • 至此，大数据平台底层架构已经成型了，其中包括了数据采集、数据存储与计算（离线和实时）、数据同步、任务调度与监控这几大模块。接下来是时候考虑如何更好的对外提供数据了。

    • 第九章：数据要对外

    通常对外（业务）提供数据访问，大体上包含以下方面：

    离线：比如，每天将前一天的数据提供到指定的数据源（DB、FILE、FTP）等；

    离线数据的提供可以采用Sqoop、DataX等离线数据交换工具。

    实时：比如，在线网站的推荐系统，需要实时从数据平台中获取给用户的推荐数据，这种要求延时非常低（50毫秒以内）。

    根据延时要求和实时数据的查询需要，可能的方案有：HBase、Redis、MongoDB、ElasticSearch等。

    OLAP分析：OLAP除了要求底层的数据模型比较规范，另外，对查询的响应速度要求也越来越高，可能的方案有：Impala、Presto、SparkSQL、Kylin。如果你的数据模型比较规模，那么Kylin是最好的选择。

    即席查询：即席查询的数据比较随意，一般很难建立通用的数据模型，因此可能的方案有：Impala、Presto、SparkSQL。

    这么多比较成熟的框架和方案，需要结合自己的业务需求及数据平台技术架构，选择合适的。原则只有一个：越简单越稳定的，就是最好的。

    如果你已经掌握了如何很好的对外（业务）提供数据，那么你的“大数据平台”应该是这样的：


    第十章：牛逼高大上的机器学习

    这里本人也没有接触太多，稍微讲一下我们的业务场景应用，遇到的能用机器学习解决的问题大概这么三类：

    分类问题：包括二分类和多分类，二分类就是解决了预测的问题，就像预测一封邮件是否垃圾邮件；多分类解决的是文本的分类；

    聚类问题：从用户搜索过的关键词，对用户进行大概的归类。

    推荐问题：根据用户的历史浏览和点击行为进行相关推荐。

    大多数行业，使用机器学习解决的，也就是这几类问题。

    入门学习线路：

    数学基础；

    机器学习实战（Machine Learning in Action），懂Python最好；

    SparkMlLib提供了一些封装好的算法，以及特征处理、特征选择的方法。

    那么把机器学习部分加进 “大数据平台”。