大數據是怎麼建立的

❶ 大數據平台是什麼什麼時候需要大數據平台如何建立大數據平台

首先我們要了解Java語言和Linux操作系統，這兩個是學習大數據的基礎，學習的順序不分前後。

Java ：只要了解一些基礎即可，做大數據不需要很深的Java 技術，學java SE 就相當於有學習大數據基礎。

Linux：因為大數據相關軟體都是在Linux上運行的，所以Linux要學習的扎實一些，學好Linux對你快速掌握大數據相關技術會有很大的幫助，能讓你更好的理解hadoop、hive、hbase、spark等大數據軟體的運行環境和網路環境配置，能少踩很多坑，學會shell就能看懂腳本這樣能更容易理解和配置大數據集群。還能讓你對以後新出的大數據技術學習起來更快。

Hadoop：這是現在流行的大數據處理平台幾乎已經成為大數據的代名詞，所以這個是必學的。Hadoop裡麵包括幾個組件HDFS、MapRece和YARN，HDFS是存儲數據的地方就像我們電腦的硬碟一樣文件都存儲在這個上面，MapRece是對數據進行處理計算的，它有個特點就是不管多大的數據只要給它時間它就能把數據跑完，但是時間可能不是很快所以它叫數據的批處理。

Zookeeper：這是個萬金油，安裝Hadoop的HA的時候就會用到它，以後的Hbase也會用到它。它一般用來存放一些相互協作的信息，這些信息比較小一般不會超過1M，都是使用它的軟體對它有依賴，對於我們個人來講只需要把它安裝正確，讓它正常的run起來就可以了。

Mysql：我們學習完大數據的處理了，接下來學習學習小數據的處理工具mysql資料庫，因為一會裝hive的時候要用到，mysql需要掌握到什麼層度那?你能在Linux上把它安裝好，運行起來，會配置簡單的許可權，修改root的密碼，創建資料庫。這里主要的是學習SQL的語法，因為hive的語法和這個非常相似。

Sqoop：這個是用於把Mysql里的數據導入到Hadoop里的。當然你也可以不用這個，直接把Mysql數據表導出成文件再放到HDFS上也是一樣的，當然生產環境中使用要注意Mysql的壓力。

Hive：這個東西對於會SQL語法的來說就是神器，它能讓你處理大數據變的很簡單，不會再費勁的編寫MapRece程序。有的人說Pig那?它和Pig差不多掌握一個就可以了。

Oozie：既然學會Hive了，我相信你一定需要這個東西，它可以幫你管理你的Hive或者MapRece、Spark腳本，還能檢查你的程序是否執行正確，出錯了給你發報警並能幫你重試程序，最重要的是還能幫你配置任務的依賴關系。我相信你一定會喜歡上它的，不然你看著那一大堆腳本，和密密麻麻的crond是不是有種想屎的感覺。

Hbase：這是Hadoop生態體系中的NOSQL資料庫，他的數據是按照key和value的形式存儲的並且key是唯一的，所以它能用來做數據的排重，它與MYSQL相比能存儲的數據量大很多。所以他常被用於大數據處理完成之後的存儲目的地。

Kafka：這是個比較好用的隊列工具，隊列是干嗎的?排隊買票你知道不?數據多了同樣也需要排隊處理，這樣與你協作的其它同學不會叫起來，你干嗎給我這么多的數據(比如好幾百G的文件)我怎麼處理得過來，你別怪他因為他不是搞大數據的，你可以跟他講我把數據放在隊列里你使用的時候一個個拿，這樣他就不在抱怨了馬上灰流流的去優化他的程序去了，因為處理不過來就是他的事情。而不是你給的問題。當然我們也可以利用這個工具來做線上實時數據的入庫或入HDFS，這時你可以與一個叫Flume的工具配合使用，它是專門用來提供對數據進行簡單處理，並寫到各種數據接受方(比如Kafka)的。

Spark：它是用來彌補基於MapRece處理數據速度上的缺點，它的特點是把數據裝載到內存中計算而不是去讀慢的要死進化還特別慢的硬碟。特別適合做迭代運算，所以演算法流們特別稀飯它。它是用scala編寫的。Java語言或者Scala都可以操作它，因為它們都是用JVM的。

❷ 大數據怎麼實現的

搭建大數據分析平台的工作是循序漸進的，不同公司要根據自身所處階段選擇合適的平台形態，沒有必要過分追求平台的分析深度和服務屬性，關鍵是能解決當下的問題。大數據分析平台是對大數據時代的數據分析產品（或稱作模塊）的泛稱，諸如業務報表、OLAP應用、BI工具等都屬於大數據分析平台的范疇。與用戶行為分析平台相比，其分析維度更集中在核心業務數據，特別是對於一些非純線上業務的領域，例如線上電商、線下零售、物流、金融等行業。而用戶行為分析平台會更集中分析與用戶及用戶行為相關的數據。企業目前實現大數據分析平台的方法主要有三種：（1）采購第三方相關數據產品例如Tableau、Growing IO、神策、中琛魔方等。此類產品能幫助企業迅速搭建數據分析環境，不少第三方廠商還會提供專業的技術支持團隊。但選擇此方法，在統計數據的廣度、深度和准確性上可能都有所局限。例如某些主打無埋點技術的產品，只能統計到頁面上的一些通用數據。隨著企業數據化運營程度的加深，這類產品可能會力不從心。該方案適合缺少研發資源、數據運營初中期的企業。一般一些創業公司、小微企業可能會選擇此方案。（2）利用開源產品搭建大數據分析平台對於有一定開發能力的團隊，可以採用該方式快速且低成本地搭建起可用的大數據分析平台。該方案的關鍵是對開源產品的選擇，選擇正確的框架，在後續的擴展過程中會逐步體現出優勢。而如果需要根據業務做一些自定義的開發，最後還是繞不過對源碼的修改。（3）完全自建大數據分析平台對於中大型公司，在具備足夠研發實力的情況下，通常還是會自己開發相關的數據產品。自建平台的優勢是不言而喻的，企業可以完全根據自身業務需要定製開發，能夠對業務需求進行最大化的滿足。對於平台型業務，開發此類產品也可以進行對外的商業化，為平台上的B端客戶服務。例如淘寶官方推出的生意參謀就是這樣一款成熟的商用數據分析產品，且與淘寶業務和平台優勢有非常強的結合。在搭建大數據分析平台之前，要先明確業務需求場景以及用戶的需求，通過大數據分析平台，想要得到哪些有價值的信息，需要接入的數據有哪些，明確基於場景業務需求的大數據平台要具備的基本的功能，來決定平台搭建過程中使用的大數據處理工具和框架。

❸ 如何搭建大數據分析平台

一般的大數據平台從平台搭建到數據分析大概包括以下幾個步驟：

Linux系統安裝。分布式計算平台或組件安裝。

數據導入。數據分析。一般包括兩個階段：數據預處理和數據建模分析。數據預處理是為後面的建模分析做准備，主要工作時從海量數據中提取可用特徵，建立大寬表。

數據建模分析是針對預處理提取的特徵或數據建模，得到想要的結果。結果可視化及輸出API。可視化一般式對結果或部分原始數據做展示。一般有兩種情況，行數據展示，和列查找展示。

搭建大數據分析平台到思邁特軟體Smartbi看看，在Excel中對數據進行二次加工，告別依賴於IT人員處理的困境；數據有錯誤也不怕，能夠對缺失、不規范的數據進行二次加工，並能將這些數據入庫；不受限制的分析思路，按您的想法加工數據；將本地數據和線上數據結合起來分析。

數據分析平台靠不靠譜，來試試Smartbi,思邁特軟體Smartbi經過多年持續自主研發，凝聚大量商業智能最佳實踐經驗，整合了各行業的數據分析和決策支持的功能需求。滿足最終用戶在企業級報表、數據可視化分析、自助探索分析、數據挖掘建模、AI智能分析等大數據分析需求。

思邁特軟體Smartbi個人用戶全功能模塊長期免費試用
馬上免費體驗:Smartbi一站式大數據分析平台

❹ 怎樣搭建企業大數據平台

步驟一：開展大數據咨詢

規劃合理的統籌規劃與科學的頂層設計是大數據建設和應用的基礎。通過大數據咨詢規劃服務，可以幫助企業明晰大數據建設的發展目標、重點任務和藍圖架構，並將藍圖架構的實現分解為可操作、可落地的實施路徑和行動計劃，有效指導企業大數據戰略的落地實施。

步驟二：強化組織制度保障

企業信息化領導小組是企業大數據建設的強有力保障。企業需要從項目啟動前就開始籌備組建以高層領導為核心的企業信息化領導小組。除了高層領導，還充分調動業務部門積極性，組織的執行層面由業務部門和IT部門共同組建，並確立決策層、管理層和執行層三級的項目組織機構，每個小組各司其職，完成項目的具體執行工作。

步驟三：建設企業大數據平台

基於大數據平台咨詢規劃的成果，進行大數據的建設和實施。由於大數據技術的復雜性，因此企業級大數據平台的建設不是一蹴而就，需循序漸進，分步實施，是一個持續迭代的工程，需本著開放、平等、協作、分享的互聯網精神，構建大數據平台生態圈，形成相互協同、相互促進的良好的態勢。

步驟四：進行大數據挖掘與分析

在企業級大數據平台的基礎上，進行大數據的挖掘與分析。隨著時代的發展，大數據挖掘與分析也會逐漸成為大數據技術的核心。大數據的價值體現在對大規模數據集合的智能處理方面，進而在大規模的數據中獲取有用的信息，要想逐步實現這個功能，就必須對數據進行分析和挖掘，通過進行數據分析得到的結果，應用於企業經營管理的各個領域。

步驟五：利用大數據進行輔助決策

通過大數據的分析，為企業領導提供輔助決策。利用大數據決策將成為企業決策的必然，系統通過提供一個開放的、動態的、以全方位數據深度融合為基礎的輔助決策環境，在適當的時機、以適當的方式提供指標、演算法、模型、數據、知識等各種決策資源，供決策者選擇，最大程度幫助企業決策者實現數據驅動的科學決策。

關於怎樣搭建企業大數據平台，青藤小編就和您分享到這里了。如果你對大數據工程有濃厚的興趣，希望這篇文章能夠對你有所幫助。如果您還想了解更多數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

❺ 如何正確建立大數據結構

如何正確建立大數據結構
大數據各行各業的企業都提供了潛力。正確使用這些大數據信息可能將增加商業價值，幫助您的企業從市場競爭中脫穎而出。如下是幾個企業成功應用大數據的案例：
大數據的例子
汽車製造商已經開始使用大數據來了解汽車何時需要返回到車庫進行維修。使用汽車發動機的數百個感測器，可以為汽車製造商發送實時的數據信息，這使得製造商甚至比駕駛汽車的司機還要提前知道汽車何時會出現故障。卡車製造商開始使用大數據，基於實時交通條件和客戶的需求來改進他們的路由，從而節約燃料和時間。
零售業也開始越來越多的使用大數據，鑒於越來越多的產品均有一個RFID標簽能幫助零售商跟蹤產品，知道很少某種產品庫存缺貨，並及時向供貨商訂購新產品。沃爾瑪便是這正確利用大數據這方面的一個很好的例子。當零售商開始識別他們的客戶時，就能夠更好地建立商店，更好的滿足客戶的需求。
當然，上述這些只是幾個淺顯的例子，大數據的可能性幾乎是無止境的。不久的將來，我們將討論在大數據平台上的最佳實踐。知道大數據能夠提供商業價值是一回事；而企業要知道如何創建正確的架構則又是另一回事了。
大數據結構
大數據有三個特徵，使得大數據不同於現有的數據倉庫和商業智能。大數據的這三大特點是：
數據量龐大：大數據的數據量相當龐大，更多的時候大數據的數據量可以達到比數TB到PB級位元組。
高速度傳遞：所有這些TB和PB位元組的數據能夠實時交付，數據倉庫每天都需要應付如此高速的數據流。
種類繁雜：大數據比使用現有的商業智能中正常數據的種類更繁雜。大數據還包括非結構化社交數據，如Twitter或Facebook網的社會信息、日誌文件、電子郵件等。
根據這些特性，建立您企業的體系結構是非常重要的。一個很好的出發點是以企業現有的數據倉庫為基礎。高密度數據的數據倉庫，其中包含用於當前商業智能的儀錶板。重要的是，該企業是為了之後再移動到大數據。把大數據轉移到您的企業有如下四個步驟：
1）進一步分析當前的數據：從儀錶板和ad-hoc查詢，到諸如空間分析和圖形分析或更高級先進的分析。您可以專注於客戶忠誠度、客戶流失率、分析本地情況（如何接近您的客戶），並開始建立社交網路（與您的客戶建立社交聯系）。這些分析將為您的企業帶來更多的商業價值。
2）建立正確的架構，用於存儲數據的種類和數量：這一切大數據是如何存儲在您的企業的。把這些原始數據直接轉化到數據倉庫中，每兆位元組以低成本優化存儲大量低密度數據是十分重要的。這便是Hadoop本身已被證明是非常有效的。Hadoop是開源的，與現有的資料庫兼容。它集合了所有可用的數據，您可以用它來尋找新的關系和新的潛在的商業價值。
3）為數據傳輸速度建立體系結構：一旦您有合適的設備來存儲大量的不同的數據，您就可以開始實時處理數據。例如如果您有數據流從感測器傳輸而來，存儲在Hadoop，您想看看正在發生的事件，並需要確定是否需要採取行動。您可以使用一切歷史數據，以確定在實時條件下進行預期（預測分析），您可以創建模型反應發生模式。如果您已經建立了一個智能的基礎設施，您將能夠實時響應事件，並進行實時的決策。
4）開始探索新的模式：利用所有可用的數據，您可以在您的數據中發現新的模式。從Hadoop與其他可用的數據匯總數據相匹配。有不同的大數據初創公司開發的工具，在這個平台上分析，可以幫助您可視化，尋求新的關系。我們的目標是找到您要解決的下一個問題，最大限度地幫助您從數據中獲取商業價值。
正確發展大數據結構可謂是一個挑戰，同時可能成本是相當昂貴的。然而，結果必將物超所值的讓您成功收回投資。

❻ 如何建立一個完整可用的安全大數據平台

整體而言，大數據平台從平台部署和數據分析過程可分為如下幾步：
1、linux系統安裝
一般使用開源版的Redhat系統--CentOS作為底層平台。為了提供穩定的硬體基礎，在給硬碟做RAID和掛載數據存儲節點的時，需要按情況配置。例如，可以選擇給HDFS的namenode做RAID2以提高其穩定性，將數據存儲與操作系統分別放置在不同硬碟上，以確保操作系統的正常運行。

2、分布式計算平台/組件安裝
目前國內外的分布式系統的大多使用的是Hadoop系列開源系統。Hadoop的核心是HDFS，一個分布式的文件系統。在其基礎上常用的組件有Yarn、Zookeeper、Hive、Hbase、Sqoop、Impala、ElasticSearch、Spark等。
先說下使用開源組件的優點：1）使用者眾多，很多bug可以在網上找的答案（這往往是開發中最耗時的地方）。2）開源組件一般免費，學習和維護相對方便。3）開源組件一般會持續更新，提供必要的更新服務『當然還需要手動做更新操作』。4）因為代碼開源，若出bug可自由對源碼作修改維護。
再簡略講講各組件的功能。分布式集群的資源管理器一般用Yarn，『全名是Yet Another Resource Negotiator』。常用的分布式數據數據『倉』庫有Hive、Hbase。Hive可以用SQL查詢『但效率略低』，Hbase可以快速『近實時』讀取行。外部資料庫導入導出需要用到Sqoop。Sqoop將數據從Oracle、MySQL等傳統資料庫導入Hive或Hbase。Zookeeper是提供數據同步服務，Yarn和Hbase需要它的支持。Impala是對hive的一個補充，可以實現高效的SQL查詢。ElasticSearch是一個分布式的搜索引擎。針對分析，目前最火的是Spark『此處忽略其他，如基礎的MapRece 和 Flink』。Spark在core上面有ML lib，Spark Streaming、Spark QL和GraphX等庫，可以滿足幾乎所有常見數據分析需求。
值得一提的是，上面提到的組件，如何將其有機結合起來，完成某個任務，不是一個簡單的工作，可能會非常耗時。

3、數據導入
前面提到，數據導入的工具是Sqoop。用它可以將數據從文件或者傳統資料庫導入到分布式平台『一般主要導入到Hive，也可將數據導入到Hbase』。

4、數據分析
數據分析一般包括兩個階段：數據預處理和數據建模分析。
數據預處理是為後面的建模分析做准備，主要工作時從海量數據中提取可用特徵，建立大寬表。這個過程可能會用到Hive SQL，Spark QL和Impala。
數據建模分析是針對預處理提取的特徵/數據建模，得到想要的結果。如前面所提到的，這一塊最好用的是Spark。常用的機器學習演算法，如樸素貝葉斯、邏輯回歸、決策樹、神經網路、TFIDF、協同過濾等，都已經在ML lib裡面，調用比較方便。

5、結果可視化及輸出API
可視化一般式對結果或部分原始數據做展示。一般有兩種情況，行熟悉展示，和列查找展示。在這里，要基於大數據平台做展示，會需要用到ElasticSearch和Hbase。Hbase提供快速『ms級別』的行查找。 ElasticSearch可以實現列索引，提供快速列查找。

平台搭建主要問題：
1、穩定性 Stability
理論上來說，穩定性是分布式系統最大的優勢，因為它可以通過多台機器做數據及程序運行備份以確保系統穩定。但也由於大數據平台部署於多台機器上，配置不合適，也可能成為最大的問題。 曾經遇到的一個問題是Hbase經常掛掉，主要原因是采購的硬碟質量較差。硬碟損壞有時會到導致Hbase同步出現問題，因而導致Hbase服務停止。由於硬碟質量較差，隔三差五會出現服務停止現象，耗費大量時間。結論：大數據平台相對於超算確實廉價，但是配置還是必須高於家用電腦的。

2、可擴展性 Scalability
如何快速擴展已有大數據平台，在其基礎上擴充新的機器是雲計算等領域應用的關鍵問題。在實際2B的應用中，有時需要增減機器來滿足新的需求。如何在保留原有功能的情況下，快速擴充平台是實際應用中的常見問題。

上述是自己項目實踐的總結。整個平台搭建過程耗時耗力，非一兩個人可以完成。一個小團隊要真正做到這些也需要耗費很長時間。

目前國內和國際上已有多家公司提供大數據平台搭建服務，國外有名的公司有Cloudera，Hortonworks，MapR等，國內也有華為、明略數據、星環等。另外有些公司如明略數據等還提供一體化的解決方案，尋求這些公司合作對 於入門級的大數據企業或沒有大數據分析能力的企業來說是最好的解決途徑。

對於一些本身體量較小或者目前數據量積累較少的公司，個人認為沒有必要搭建這一套系統，暫時先租用AWS和阿里雲就夠了。對於數據量大，但數據分析需求較簡單的公司，可以直接買Tableau，Splunk，HP Vertica，或者IBM DB2等軟體或服務即可。

❼ 創建大數據項目的五大步驟

創建大數據項目的五大步驟
企業需要積極的提升他們的數據管理能力。這並非意味著他們應該制定繁瑣的流程和監督機制。明智的企業會配合他們的數據活動的生命周期制定靈活的流程和功能：根據業務需求啟動更輕更嚴格、更強大的功能，並根據需求的增加來提升質量或精度。
一些企業正在利用新興技術來應對新的數據源，但大多數企業仍然面臨著需要努力管理好他們已經掌握或者應當掌握的數據信息的困境，而當他們試圖部署大數據功能時，發現自己還需要面對和處理新的以及當下實時的數據。
為了能夠實現持久成功的大數據項目，企業需要把重點放在如下五個主要領域。
1、確立明確的角色分工和職責范圍。
對於您企業環境中的所有的數據信息，您需要對於這些數據信息所涉及的關鍵利益相關者、決策者有一個清晰的了解和把控。當數據信息在企業的系統傳輸過程中及其整個生命周期中，角色分工將發生變化，而企業需要對這些變化有一個很好的理解。當企業開始部署大數據項目之後，務必要明確識別相關數據的關鍵利益相關者，並做好這些數據信息的完善和迭代工作。
2、加強企業的數據治理和數據管理功能。
確保您企業的進程足夠強大，能夠滿足和支持大數據用戶和大數據技術的需求。進程可以是靈活的，並應充分考慮到業務部門和事務部門的需求，這些部門均伴有不同程度的嚴謹性和監督要求。
確保您企業的參考信息架構已經更新到包括大數據。這樣做會給未來的項目打好最好的使用大數據技術和適當的信息管理能力的基礎。
確保您企業的元數據管理功能足夠強大，能夠包括並關聯所有的基本元數據組件。隨著時間的推移，進行有序的分類，滿足業務規范。
一旦您開始在您企業的生產部門推廣您的解決方案時，您會希望他們長期持續的使用該解決方案，所以對架構功能的定義並監督其發揮的作用是至關重要的。確保您企業的治理流程包括IT控制的角色，以幫助企業的利益相關者們進行引導項目，以最佳地利用這些數據信息。其還應該包括您企業的安全和法務團隊。根據我們的經驗，使用現有的監督機制能夠達到最佳的工作狀態，只要企業實施了大數據應用，並專注於快速在進程中處理應用程序，而不是阻礙進程的通過。
3、了解環境中的數據的目的和要求的精度水平，並相應地調整您企業的期望值和流程。
無論其是一個POC，或一個已經進入主流業務流程的項目，請務必確保您對於期望利用這些數據來執行什麼任務，及其質量和精度處於何種級別有一個非常清晰的了解。這種方法將使得企業的項目能夠尋找到正確的數據來源和利益相關者，以更好地評估這些數據信息的價值和影響，進而讓您決定如何最好地管理這些數據信息。更高的質量和精度則要求更強大的數據管理和監督能力。
隨著您企業大數據項目的日趨成熟，考慮建立一套按照數據質量或精確度分類的辦法，這將使得數據用戶得以更好的了解他們所使用的是什麼，並相應地調整自己的期望值。例如，您可以使用白色、藍色或金色來分別代表原始數據、清理過的數據，經過驗證可以有針對性的支持分析和使用的數據。有些企業甚至進一步完善了這一分類方法：將數據從1到5進行分類，其中1是原始數據，而5是便於理解，經過整理的、有組織的數據。
4、將對非結構化的內容的管理納入到您企業的數據管理能力。
非結構化數據一直是企業業務運營的一部分，但既然現在我們已經有了更好的技術來探索，分析和這些非結構化的內容，進而幫助改善業務流程和工業務洞察，所以我們最終將其正式納入我們的數據管理是非常重要的。大多數企業目前都被困在了這一步驟。
資料庫中基本的、非結構化的數據是以評論的形式或者自由的形式存在的，其至少是資料庫的一部分，應該被納入到數據管理。但挖掘這些數據信息則是非常難的。
數字數據存儲在傳統的結構化資料庫和業務流程外，很少有許多的治理范圍分組和數據管理的實現，除了當其被看作是一個技術問題時。一般來說，除了嚴格遵守相關的安全政策，今天的企業尚未對其進行真正有效的管理。當您的企業開始大跨步實現了大數據項目之後，您會發現這一類型的數據信息迅速進入了您需要管理的范疇，其輸出會影響您企業的商業智能解決方案或者甚至是您企業的業務活動。積極的考慮將這些數據納入到您企業的數據管理功能的范圍，並明確企業的所有權，並記錄好這些數據信息的諸如如何使用、信息來源等等資料。
不要採取「容易的輕松路線」，單純依靠大數據技術是您企業唯一正式的非結構化數據管理的過程。隨著時間的推移，企業將收集越來越多的非結構化數據，請務必搞清楚哪些數據是好的，哪些是壞的，他們分別來自何處，以及其使用是否一致，將變得越來越重要，甚至在其生命周期使用這個數據都是至關重要的。
要保持這種清晰，您可以使用大數據和其他工具，以了解您企業所收集的數據信息，確定其有怎樣的價值，需要怎樣的管理，這是至關重要的。大多數進入您企業的大數據系統的非結構化數據都已經經過一些監控了，但通常是作為一個BLOB（binarylargeobject）二進制大對象和非結構化的形式進行的。隨著您的企業不斷的在您的業務流程中「發掘」出這一類型的數據，其變得更加精確和有價值。其可能還具有額外的特點，符合安全，隱私或法律和法規的元素要求。最終，這些數據塊可以成為新的數據元素或添加到現有的數據，但您必須有元數據對其進行描述和管理，以便盡可能最有效地利用這些數據。
5、正式在生產環境運行之前進行測試。
如果您的企業做的是一次性的分析或完整的一次性的試點，這可能並不適用於您的企業，但對大多數企業來說，他們最初的大數據工作將迅速發展，他們找到一個可持續利用他們已經挖掘出的極具價值的信息的需求。這意味著需要在您的沙箱環境中進行測試，然後才正式的在您的生產環境運。