大数据开发_大数据开发面试 - CSDN
精华内容
参与话题
  • 本资源是《Hadoop大数据开发基础》的全套配套资源(含源数据、代码、实训数据、习题答案),适合Hadoop开发者和大数据学习者学习大数据技术,本资源可以方便大家学习和参考。
  • 写给大数据开发初学者的话 | 附教程

    千次阅读 多人点赞 2017-11-27 17:02:20
    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...经常有初学者在博客和QQ问我,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

    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

    经常有初学者在博客和QQ问我,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。如果自己很迷茫,为了这些原因想往大数据方向发展,也可以,那么我就想问一下,你的专业是什么,对于计算机/软件,你的兴趣是什么?是计算机专业,对操作系统、硬件、网络、服务器感兴趣?是软件专业,对软件开发、编程、写代码感兴趣?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的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。请不要问我哪个容易,哪个前景好,哪个钱多。

    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 MapReduce、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
    ……

    眼花了吧,上面的有30多种吧,别说精通了,全部都会使用的,估计也没几个。

    就我个人而言,主要经验是在第二个方向(开发/设计/架构),且听听我的建议吧。

    第一章:初识Hadoop

    1.1 学会百度与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,就用百度吧。

    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
    • MapReduce、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 试试使用Hadoop

    HDFS目录操作命令;
    上传、下载文件命令;
    提交运行MapReduce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 你该了解它们的原理了

    MapReduce: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MapReduce程序

    请仿照WordCount例子,自己写一个(照抄也行)WordCount程序,
    打包并提交到Hadoop运行。

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

    如果你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

    你知道数据库吗?你会写SQL吗?
    如果不会,请学点SQL吧。

    2.2 SQL版WordCount

    在1.6中,你写(或者抄)的WordCount一共有几行代码?

    给你看看我的:

    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,我这一句就搞定;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 SQL On Hadoop之Hive

    什么是Hive?官方给的解释是:

    The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax.

    为什么说Hive是数据仓库工具,而不是数据库工具呢?有的朋友可能不知道数据仓库,数据仓库是逻辑上的概念,底层使用的是数据库,数据仓库中的数据有这两个特点:最全的历史数据(海量)、相对稳定的;所谓相对稳定,指的是数据仓库不同于业务系统数据库,数据经常会被更新,数据一旦进入数据仓库,很少会被更新和删除,只会被大量查询。而Hive,也是具备这两个特点,因此,Hive适合做海量数据的数据仓库工具,而不是数据库工具。

    2.4 安装配置Hive

    请参考1.1 和 1.2 完成Hive的安装配置。可以正常进入Hive命令行。

    2.5 试试使用Hive

    请参考1.1 和 1.2 ,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MapReduce中的结果一致。

    2.6 Hive是怎么工作的

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

    2.7 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;

    请参考1.2,学习更多关于Hive的语法和命令。

    如果你已经按照《写给大数据开发初学者的话》中第一章和第二章的流程认真完整的走了一遍,那么你应该已经具备以下技能和知识点:

    • 0和Hadoop2.0的区别;
    • MapReduce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MapReduce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MapReduce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,MapReduce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MapReduce,提交运行。

    此时,你的”大数据平台”是这样的:

    那么问题来了,海量数据如何到HDFS上呢?

    第三章:把别处的数据搞到Hadoop上

    此处也可以叫做数据采集,把各个数据源的数据采集到Hadoop上。

    3.1 HDFS PUT命令

    这个在前面你应该已经使用过了。

    put命令在实际环境中也比较常用,通常配合shell、python等脚本语言来使用。

    建议熟练掌握。

    3.2 HDFS API

    HDFS提供了写数据的API,自己用编程语言将数据写入HDFS,put命令本身也是使用API。

    实际环境中一般自己较少编写程序使用API来写数据到HDFS,通常都是使用其他框架封装好的方法。比如:Hive中的INSERT语句,Spark中的saveAsTextfile等。

    建议了解原理,会写Demo。

    3.3 Sqoop

    Sqoop是一个主要用于Hadoop/Hive与传统关系型数据库Oracle/MySQL/SQLServer等之间进行数据交换的开源框架。

    就像Hive把SQL翻译成MapReduce一样,Sqoop把你指定的参数翻译成MapReduce,提交到Hadoop运行,完成Hadoop与其他数据库之间的数据交换。

    自己下载和配置Sqoop(建议先使用Sqoop1,Sqoop2比较复杂)。

    了解Sqoop常用的配置参数和方法。

    使用Sqoop完成从MySQL同步数据到HDFS;
    使用Sqoop完成从MySQL同步数据到Hive表;

    PS:如果后续选型确定使用Sqoop作为数据交换工具,那么建议熟练掌握,否则,了解和会用Demo即可。

    3.4 Flume

    Flume是一个分布式的海量日志采集和传输框架,因为“采集和传输框架”,所以它并不适合关系型数据库的数据采集和传输。

    Flume可以实时的从网络协议、消息系统、文件系统采集日志,并传输到HDFS上。

    因此,如果你的业务有这些数据源的数据,并且需要实时的采集,那么就应该考虑使用Flume。

    下载和配置Flume。

    使用Flume监控一个不断追加数据的文件,并将数据传输到HDFS;

    PS:Flume的配置和使用较为复杂,如果你没有足够的兴趣和耐心,可以先跳过Flume。

    3.5 阿里开源的DataX

    之所以介绍这个,是因为我们公司目前使用的Hadoop与关系型数据库数据交换的工具,就是之前基于DataX开发的,非常好用。

    可以参考我的博文《异构数据源海量数据交换工具-Taobao DataX 下载和使用》。

    现在DataX已经是3.0版本,支持很多数据源。

    你也可以在其之上做二次开发。

    PS:有兴趣的可以研究和使用一下,对比一下它与Sqoop。

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:

    第四章:把Hadoop上的数据搞到别处去

    前面介绍了如何把数据源的数据采集到Hadoop上,数据到Hadoop上之后,便可以使用Hive和MapReduce进行分析了。那么接下来的问题是,分析完的结果如何从Hadoop上同步到其他系统和应用中去呢?

    其实,此处的方法和第三章基本一致的。

    4.1 HDFS GET命令

    把HDFS上的文件GET到本地。需要熟练掌握。

    4.2 HDFS API

    同3.2.

    4.3 Sqoop

    同3.3.

    使用Sqoop完成将HDFS上的文件同步到MySQL;
    使用Sqoop完成将Hive表中的数据同步到MySQL;

    4.4 DataX

    同3.5.

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:

    如果你已经按照《写给大数据开发初学者的话2》中第三章和第四章的流程认真完整的走了一遍,那么你应该已经具备以下技能和知识点:

    知道如何把已有的数据采集到HDFS上,包括离线采集和实时采集;

    你已经知道sqoop(或者还有DataX)是HDFS和其他数据源之间的数据交换工具;

    你已经知道flume可以用作实时的日志采集。

    从前面的学习,对于大数据平台,你已经掌握的不少的知识和技能,搭建Hadoop集群,把数据采集到Hadoop上,使用Hive和MapReduce来分析数据,把分析结果同步到其他数据源。

    接下来的问题来了,Hive使用的越来越多,你会发现很多不爽的地方,特别是速度慢,大多情况下,明明我的数据量很小,它都要申请资源,启动MapReduce来执行。

    第五章:快一点吧,我的SQL

    其实大家都已经发现Hive后台使用MapReduce作为执行引擎,实在是有点慢。

    因此SQL On Hadoop的框架越来越多,按我的了解,最常用的按照流行度依次为SparkSQL、Impala和Presto.

    这三种框架基于半内存或者全内存,提供了SQL接口来快速查询分析Hadoop上的数据。关于三者的比较,请参考1.1.

    我们目前使用的是SparkSQL,至于为什么用SparkSQL,原因大概有以下吧:

    使用Spark还做了其他事情,不想引入过多的框架;

    Impala对内存的需求太大,没有过多资源部署;

    5.1 关于Spark和SparkSQL

    什么是Spark,什么是SparkSQL。
    Spark有的核心概念及名词解释。
    SparkSQL和Spark是什么关系,SparkSQL和Hive是什么关系。
    SparkSQL为什么比Hive跑的快。

    5.2 如何部署和运行SparkSQL

    Spark有哪些部署模式?
    如何在Yarn上运行SparkSQL?
    使用SparkSQL查询Hive中的表。

    PS: Spark不是一门短时间内就能掌握的技术,因此建议在了解了Spark之后,可以先从SparkSQL入手,循序渐进。

    关于Spark和SparkSQL,可参考 http://lxw1234.com/archives/category/spark

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:

    第六章:一夫多妻制

    请不要被这个名字所诱惑。其实我想说的是数据的一次采集、多次消费。

    在实际业务场景下,特别是对于一些监控日志,想即时的从日志中了解一些指标(关于实时计算,后面章节会有介绍),这时候,从HDFS上分析就太慢了,尽管是通过Flume采集的,但Flume也不能间隔很短就往HDFS上滚动文件,这样会导致小文件特别多。

    为了满足数据的一次采集、多次消费的需求,这里要说的便是Kafka。

    6.1 关于Kafka

    什么是Kafka?

    Kafka的核心概念及名词解释。

    6.2 如何部署和使用Kafka

    使用单机部署Kafka,并成功运行自带的生产者和消费者例子。

    使用Java程序自己编写并运行生产者和消费者程序。

    Flume和Kafka的集成,使用Flume监控日志,并将日志数据实时发送至Kafka。

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:

    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。

    如果你已经按照《写给大数据开发初学者的话3》中第五章和第六章的流程认真完整的走了一遍,那么你应该已经具备以下技能和知识点:

    • 为什么Spark比MapReduce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。

    从前面的学习,你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:

    https://azkaban.github.io/

    light-task-scheduler:

    https://github.com/ltsopensource/light-task-scheduler

    Zeus:

    https://github.com/alibaba/zeus

    等等……

    另外,我这边是之前单独开发的任务调度与监控系统,具体请参考《大数据平台任务调度与监控系统》.

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:

    第八章:我的数据要实时

    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。

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:

    至此,你的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:我的数据要对外

    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

    关于这块,我这个门外汉也只能是简单介绍一下了。数学专业毕业的我非常惭愧,很后悔当时没有好好学数学。

    在我们的业务中,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。

    机器学习确实牛逼高大上,也是我学习的目标。

    那么,可以把机器学习部分也加进你的“大数据平台”了。

    编辑推荐:

    展开全文
  • 今天的主题,主要是从大数据开发的角度,到大数据治理的必要性,再到图形化建模的畅想,最后在数据质量的把关,然后到大数据可视化的应用,博主总结两年的见闻,和我学习的成果,也不知理解有无偏差吧,希望大家能给...

    新的工作,新的人和事。懒惰让我变得更焦虑,焦虑促使我进步,程序员的焦虑大家应该都有共同的感觉,时代的步伐太快了,在这个环境下的软件开发一定会淘汰掉那些不懂得学习,懒惰的人。

    希望跟大家共勉。

    今天的主题,主要是从大数据开发的角度,到大数据治理的必要性,再到图形化建模的畅想,最后在数据质量的把关,然后到大数据可视化的应用,博主总结两年的见闻,和我学习的成果,也不知理解有无偏差吧,希望大家能给出建议。

    一位大数据开发工程师的两年工作经验总结

    在这里还是要推荐下我自己建的大数据学习交流群:199427210,群里都是学大数据开发的,如果你正在学习大数据 ,小编欢迎你加入,大家都是软件开发党,不定期分享干货(只有大数据软件开发相关的),包括我自己整理的一份最新的大数据进阶资料和高级开发教程,欢迎进阶中和进想深入大数据的小伙伴加入。
     

     

    大数据开发

    大数据开发,有几个阶段:

    1.数据采集【原始数据】

    2.数据汇聚【经过清洗合并的可用数据】

    3.数据转换和映射【经过分类,提取的专项主题数据】

    4.数据应用 【提供api 智能系统  应用系统等】

    数据采集

    数据采集有线上和线下两种方式,线上一般通过爬虫、通过抓取,或者通过已有应用系统的采集,在这个阶段,我们可以做一个大数据采集平台,依托自动爬虫(使用python或者nodejs制作爬虫软件),ETL工具、或者自定义的抽取转换引擎,从文件中、数据库中、网页中专项爬取数据,如果这一步通过自动化系统来做的话,可以很方便的管理所有的原始数据,并且从数据的开始对数据进行标签采集,可以规范开发人员的工作。并且目标数据源可以更方便的管理。

    数据采集的难点在于多数据源,例如mysql、postgresql、sqlserver 、 mongodb 、sqllite。还有本地文件、excel统计文档、甚至是doc文件。如何将他们规整的、有方案的整理进我们的大数据流程中也是必不可缺的一环。

    数据汇聚

    数据的汇聚是大数据流程最关键的一步,你可以在这里加上数据标准化,你也可以在这里做数据清洗,数据合并,还可以在这一步将数据存档,将确认可用的数据经过可监控的流程进行整理归类,这里产出的所有数据就是整个公司的数据资产了,到了一定的量就是一笔固定资产。

    数据汇聚的难点在于如何标准化数据,例如表名标准化,表的标签分类,表的用途,数据的量,是否有数据增量?,数据是否可用? 需要在业务上下很大的功夫,必要时还要引入智能化处理,例如根据内容训练结果自动打标签,自动分配推荐表名、表字段名等。还有如何从原始数据中导入数据等。

    数据转换和映射

    经过数据汇聚的数据资产如何提供给具体的使用方使用?在这一步,主要就是考虑数据如何应用,如何将两个?三个?数据表转换成一张能够提供服务的数据。然后定期更新增量。

    经过前面的那几步,在这一步难点并不太多了,如何转换数据与如何清洗数据、标准数据无二,将两个字段的值转换成一个字段,或者根据多个可用表统计出一张图表数据等等。

    数据应用

    数据的应用方式很多,有对外的、有对内的,如果拥有了前期的大量数据资产,通过restful API提供给用户?或者提供流式引擎 KAFKA 给应用消费? 或者直接组成专题数据,供自己的应用查询?这里对数据资产的要求比较高,所以前期的工作做好了,这里的自由度很高。

    总结:大数据开发的难点

    大数据开发的难点主要是监控,怎么样规划开发人员的工作?开发人员随随便便采集了一堆垃圾数据,并且直连数据库。 短期来看,这些问题比较小,可以矫正。 但是在资产的量不断增加的时候,这就是一颗定时炸弹,随时会引爆,然后引发一系列对数据资产的影响,例如数据混乱带来的就是数据资产的价值下降,客户信任度变低。

    如何监控开发人员的开发流程?

    答案只能是自动化平台,只有自动化平台能够做到让开发人员感到舒心的同时,接受新的事务,抛弃手动时代。

    这就是前端开发工程师在大数据行业中所占有的优势点,如何制作交互良好的可视化操作界面?如何将现有的工作流程、工作需求变成一个个的可视化操作界面? 可不可以使用智能化取代一些无脑的操作?

    从一定意义上来说,大数据开发中,我个人认为前端开发工程师占据着更重要的位置,仅次于大数据开发工程师。至于后台开发,系统开发是第三位的。好的交互至关重要,如何转换数据,如何抽取数据,一定程度上,都是有先人踩过的坑,例如kettle,再例如kafka,pipeline ,解决方案众多。关键是如何交互? 怎么样变现为可视化界面? 这是一个重要的课题。

    现有的各位朋友的侧重点不同,认为前端的角色都是可有可无,我觉得是错误的,后台的确很重要,但是后台的解决方案多。 前端实际的地位更重要,但是基本无开源的解决方案,如果不够重视前端开发, 面临的问题就是交互很烂,界面烂,体验差,导致开发人员的排斥,而可视化这块的知识点众多,对开发人员的素质要求更高。

    大数据治理

    大数据治理应该贯穿整个大数据开发流程,它有扮演着重要的角色,浅略的介绍几点:

    数据血缘

    数据质量审查

    全平台监控

    数据血缘

    从数据血缘说起,数据血缘应该是大数据治理的入口,通过一张表,能够清晰看见它的来龙去脉,字段的拆分,清洗过程,表的流转,数据的量的变化,都应该从数据血缘出发,我个人认为,大数据治理整个的目标就是这个数据血缘,从数据血缘能够有监控全局的能力。

    数据血缘是依托于大数据开发过程的,它包围着整个大数据开发过程,每一步开发的历史,数据导入的历史,都应该有相应的记录,数据血缘在数据资产有一定规模时,基本必不可少。

    数据质量审查

    数据开发中,每一个模型(表)创建的结束,都应该有一个数据质量审查的过程,在体系大的环境中,还应该在关键步骤添加审批,例如在数据转换和映射这一步,涉及到客户的数据提供,应该建立一个完善的数据质量审查制度,帮助企业第一时间发现数据存在的问题,在数据发生问题时也能第一时间看到问题的所在,并从根源解决问题,而不是盲目的通过连接数据库一遍一遍的查询sql。

    全平台监控

    监控呢,其实包含了很多的点,例如应用监控,数据监控,预警系统,工单系统等,对我们接管的每个数据源、数据表都需要做到实时监控,一旦发生殆机,或者发生停电,能够第一时间电话或者短信通知到具体负责人,这里可以借鉴一些自动化运维平台的经验的,监控约等于运维,好的监控提供的数据资产的保护也是很重要的。

    大数据可视化

    大数据可视化不仅仅是图表的展现,大数据可视化不仅仅是图表的展现,大数据可视化不仅仅是图表的展现,重要的事说三遍,大数据可视化归类的数据开发中,有一部分属于应用类,有一部分属于开发类。

    在开发中,大数据可视化扮演的是可视化操作的角色, 如何通过可视化的模式建立模型? 如何通过拖拉拽,或者立体操作来实现数据质量的可操作性? 画两个表格加几个按钮实现复杂的操作流程是不现实的。

    在可视化应用中,更多的也有如何转换数据,如何展示数据,图表是其中的一部分,平时更多的工作还是对数据的分析,怎么样更直观的表达数据?这需要对数据有深刻的理解,对业务有深刻的理解,才能做出合适的可视化应用。

    智能的可视化平台

    可视化是可以被再可视化的,例如supe rset,通过操作sql实现图表,有一些产品甚至能做到根据数据的内容智能分类,推荐图表类型,实时的进行可视化开发,这样的功能才是可视化现有的发展方向,我们需要大量的可视化内容来对公司发生产出,例如服装行业,销售部门:进货出货,颜色搭配对用户的影响,季节对选择的影响   生产部门:布料价格走势?  产能和效率的数据统计?  等等,每一个部门都可以有一个数据大屏,可以通过平台任意规划自己的大屏,所有人每天能够关注到自己的领域动向,这才是大数据可视化应用的具体意义。

    写在最后

    洋洋洒洒写了很多,对我近两年的所见所闻所学所想进行了一些总结,有些童鞋会问,不是技术么?为什么没有代码?   博主要说,代码博主要学的,要写的,但是与工作无关,代码是我个人的技能,个人傍身,实现个人想法的重要技能。 但是,代码与业务的关系不大,在工作中,懂业务的人代码写的更好,因为他知道公司想要什么。 如果你业务很差,那也没关系,你代码好就行了呀,根据别人的交代干活,也是很不错的。

    java、python都处于能做项目的程度,目前也不想抽很多精力去深入它们,就想要保持在想用能用的地步吧。

    未来的几年,博主努力工作,多学学人工智能、大数据开发的知识,未来这块应该还有一些热度的吧。

    最后,和大家共勉,更希望大家能给一些规划建议,三人行,必有我师焉。

    展开全文
  • 大数据开发初学者学习路线

    千次阅读 2018-08-10 16:15:03
    转自出处:... 最近看到一篇很不错的文章,献给正在学习大数据的你我他。如果能答出文章中大部分问题,那么恭喜你已经从“小白”进化到“小菜鸟”的阶段。 转自:http://www.ppvke.com/Blog/a...

    转自出处:https://blog.csdn.net/qq_16633405/article/details/78911843

    最近看到一篇很不错的文章,献给正在学习大数据的你我他。如果能答出文章中大部分问题,那么恭喜你已经从“小白”进化到“小菜鸟”的阶段。
    转自:http://www.ppvke.com/Blog/archives/50967

    前言

    其实这就是想告诉你的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。请不要问我哪个容易,哪个前景好,哪个钱多。

    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

    经常有初学者在博客和QQ问我,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。如果自己很迷茫,为了这些原因想往大数据方向发展,也可以,那么我就想问一下,你的专业是什么,对于计算机/软件,你的兴趣是什么?是计算机专业,对操作系统、硬件、网络、服务器感兴趣?是软件专业,对软件开发、编程、写代码感兴趣?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的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。请不要问我哪个容易,哪个前景好,哪个钱多。

    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 MapReduce、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
    ……

    眼花了吧,上面的有30多种吧,别说精通了,全部都会使用的,估计也没几个。

    就我个人而言,主要经验是在第二个方向(开发/设计/架构),且听听我的建议吧。

    第一章:初识Hadoop

    1.1 学会百度与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,就用百度吧。

    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

    MapReduce、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 试试使用Hadoop

    HDFS目录操作命令;
    上传、下载文件命令;
    提交运行MapReduce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 你该了解它们的原理了

    MapReduce: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MapReduce程序

    请仿照WordCount例子,自己写一个(照抄也行)WordCount程序,
    打包并提交到Hadoop运行。

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

    如果你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

    你知道数据库吗?你会写SQL吗?
    如果不会,请学点SQL吧。

    2.2 SQL版WordCount

    在1.6中,你写(或者抄)的WordCount一共有几行代码?

    给你看看我的:

    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,我这一句就搞定;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 SQL On Hadoop之Hive

    什么是Hive?官方给的解释是:

    The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax.

    为什么说Hive是数据仓库工具,而不是数据库工具呢?有的朋友可能不知道数据仓库,数据仓库是逻辑上的概念,底层使用的是数据库,数据仓库中的数据有这两个特点:最全的历史数据(海量)、相对稳定的;所谓相对稳定,指的是数据仓库不同于业务系统数据库,数据经常会被更新,数据一旦进入数据仓库,很少会被更新和删除,只会被大量查询。而Hive,也是具备这两个特点,因此,Hive适合做海量数据的数据仓库工具,而不是数据库工具。

    2.4 安装配置Hive

    请参考1.1 和 1.2 完成Hive的安装配置。可以正常进入Hive命令行。

    2.5 试试使用Hive

    请参考1.1 和 1.2 ,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MapReduce中的结果一致。

    2.6 Hive是怎么工作的

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

    2.7 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;

    请参考1.2,学习更多关于Hive的语法和命令。

    如果你已经按照《写给大数据开发初学者的话》中第一章和第二章的流程认真完整的走了一遍,那么你应该已经具备以下技能和知识点:

    0和Hadoop2.0的区别;

    MapReduce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MapReduce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MapReduce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,MapReduce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MapReduce,提交运行。

    此时,你的”大数据平台”是这样的:
    这里写图片描述

    那么问题来了,海量数据如何到HDFS上呢?

    第三章:把别处的数据搞到Hadoop上

    此处也可以叫做数据采集,把各个数据源的数据采集到Hadoop上。

    3.1 HDFS PUT命令

    这个在前面你应该已经使用过了。

    put命令在实际环境中也比较常用,通常配合shell、python等脚本语言来使用。

    建议熟练掌握。

    3.2 HDFS API

    HDFS提供了写数据的API,自己用编程语言将数据写入HDFS,put命令本身也是使用API。

    实际环境中一般自己较少编写程序使用API来写数据到HDFS,通常都是使用其他框架封装好的方法。比如:Hive中的INSERT语句,Spark中的saveAsTextfile等。

    建议了解原理,会写Demo。

    3.3 Sqoop

    Sqoop是一个主要用于Hadoop/Hive与传统关系型数据库

    Oracle/MySQL/SQLServer等之间进行数据交换的开源框架。

    就像Hive把SQL翻译成MapReduce一样,Sqoop把你指定的参数翻译成MapReduce,提交到Hadoop运行,完成Hadoop与其他数据库之间的数据交换。

    自己下载和配置Sqoop(建议先使用Sqoop1,Sqoop2比较复杂)。

    了解Sqoop常用的配置参数和方法。

    使用Sqoop完成从MySQL同步数据到HDFS;
    使用Sqoop完成从MySQL同步数据到Hive表;

    PS:如果后续选型确定使用Sqoop作为数据交换工具,那么建议熟练掌握,否则,了解和会用Demo即可。

    3.4 Flume

    Flume是一个分布式的海量日志采集和传输框架,因为“采集和传输框架”,所以它并不适合关系型数据库的数据采集和传输。

    Flume可以实时的从网络协议、消息系统、文件系统采集日志,并传输到HDFS上。

    因此,如果你的业务有这些数据源的数据,并且需要实时的采集,那么就应该考虑使用Flume。

    下载和配置Flume。

    使用Flume监控一个不断追加数据的文件,并将数据传输到HDFS;

    PS:Flume的配置和使用较为复杂,如果你没有足够的兴趣和耐心,可以先跳过Flume。

    3.5 阿里开源的DataX

    之所以介绍这个,是因为我们公司目前使用的Hadoop与关系型数据库数据交换的工具,就是之前基于DataX开发的,非常好用。

    可以参考我的博文《异构数据源海量数据交换工具-Taobao DataX 下载和使用》。

    现在DataX已经是3.0版本,支持很多数据源。

    你也可以在其之上做二次开发。

    PS:有兴趣的可以研究和使用一下,对比一下它与Sqoop。

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:
    这里写图片描述

    第四章:把Hadoop上的数据搞到别处去

    前面介绍了如何把数据源的数据采集到Hadoop上,数据到Hadoop上之后,便可以使用Hive和MapReduce进行分析了。那么接下来的问题是,分析完的结果如何从Hadoop上同步到其他系统和应用中去呢?

    其实,此处的方法和第三章基本一致的。

    4.1 HDFS GET命令

    把HDFS上的文件GET到本地。需要熟练掌握。

    4.2 HDFS API

    同3.2.

    4.3 Sqoop

    同3.3.

    使用Sqoop完成将HDFS上的文件同步到MySQL;
    使用Sqoop完成将Hive表中的数据同步到MySQL;

    4.4 DataX

    同3.5.

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:
    这里写图片描述

    如果你已经按照《写给大数据开发初学者的话2》中第三章和第四章的流程认真完整的走了一遍,那么你应该已经具备以下技能和知识点:

    知道如何把已有的数据采集到HDFS上,包括离线采集和实时采集;

    你已经知道sqoop(或者还有DataX)是HDFS和其他数据源之间的数据交换工具;

    你已经知道flume可以用作实时的日志采集。

    从前面的学习,对于大数据平台,你已经掌握的不少的知识和技能,搭建Hadoop集群,把数据采集到Hadoop上,使用Hive和MapReduce来分析数据,把分析结果同步到其他数据源。

    接下来的问题来了,Hive使用的越来越多,你会发现很多不爽的地方,特别是速度慢,大多情况下,明明我的数据量很小,它都要申请资源,启动MapReduce来执行。

    第五章:快一点吧,我的SQL

    其实大家都已经发现Hive后台使用MapReduce作为执行引擎,实在是有点慢。

    因此SQL On Hadoop的框架越来越多,按我的了解,最常用的按照流行度依次为SparkSQL、Impala和Presto.

    这三种框架基于半内存或者全内存,提供了SQL接口来快速查询分析Hadoop上的数据。关于三者的比较,请参考1.1.

    我们目前使用的是SparkSQL,至于为什么用SparkSQL,原因大概有以下吧:

    使用Spark还做了其他事情,不想引入过多的框架;

    Impala对内存的需求太大,没有过多资源部署;

    5.1 关于Spark和SparkSQL

    什么是Spark,什么是SparkSQL。
    Spark有的核心概念及名词解释。
    SparkSQL和Spark是什么关系,SparkSQL和Hive是什么关系。
    SparkSQL为什么比Hive跑的快。

    5.2 如何部署和运行SparkSQL

    Spark有哪些部署模式?
    如何在Yarn上运行SparkSQL?
    使用SparkSQL查询Hive中的表。

    PS: Spark不是一门短时间内就能掌握的技术,因此建议在了解了Spark之后,可以先从SparkSQL入手,循序渐进。

    关于Spark和SparkSQL,可参考

    http://lxw1234.com/archives/category/spark

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:
    这里写图片描述

    第六章:一夫多妻制

    请不要被这个名字所诱惑。其实我想说的是数据的一次采集、多次消费。

    在实际业务场景下,特别是对于一些监控日志,想即时的从日志中了解一些指标(关于实时计算,后面章节会有介绍),这时候,从HDFS上分析就太慢了,尽管是通过Flume采集的,但Flume也不能间隔很短就往HDFS上滚动文件,这样会导致小文件特别多。

    为了满足数据的一次采集、多次消费的需求,这里要说的便是Kafka。

    6.1 关于Kafka

    什么是Kafka?

    Kafka的核心概念及名词解释。

    6.2 如何部署和使用Kafka

    使用单机部署Kafka,并成功运行自带的生产者和消费者例子。

    使用Java程序自己编写并运行生产者和消费者程序。

    Flume和Kafka的集成,使用Flume监控日志,并将日志数据实时发送至Kafka。

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:
    这里写图片描述

    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。

    如果你已经按照《写给大数据开发初学者的话3》中第五章和第六章的流程认真完整的走了一遍,那么你应该已经具备以下技能和知识点:

    为什么Spark比MapReduce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。

    从前面的学习,你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:

    https://azkaban.github.io/

    light-task-scheduler:

    https://github.com/ltsopensource/light-task-scheduler

    Zeus:

    https://github.com/alibaba/zeus

    等等……

    另外,我这边是之前单独开发的任务调度与监控系统,具体请参考《大数据平台任务调度与监控系统》.

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:这里写图片描述

    第八章:我的数据要实时

    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

    什么是Storm?有哪些可能的应用场景?

    Storm由哪些核心组件构成,各自担任什么角色?

    Storm的简单安装和部署。

    自己编写Demo程序,使用Storm完成实时数据流计算。

    8.2 Spark Streaming

    什么是Spark Streaming,它和Spark是什么关系?

    Spark Streaming和Storm比较,各有什么优缺点?

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

    如果你认真完成了上面的学习和实践,此时,你的”大数据平台”应该是这样的:
    这里写图片描述

    至此,你的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:我的数据要对外

    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:这里写图片描述

    第十章:牛逼高大上的机器学习

    关于这块,我这个门外汉也只能是简单介绍一下了。数学专业毕业的我非常惭愧,很后悔当时没有好好学数学。

    在我们的业务中,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。

    机器学习确实牛逼高大上,也是我学习的目标。

    那么,可以把机器学习部分也加进你的“大数据平台”了。

    这里写图片描述

    End.

    的确,一个初学者按照作者的建议一步步学下去,如果能够答出文章中提出的大部分问题,感觉已经算是入门了。大家一起学习,一起在这个DT时代发挥我们的光和热。

    展开全文
  • 什么是大数据开发

    千次阅读 2019-06-05 11:30:38
    ♥️大数据开发是干什么的? 大数据作为时下火热的IT行业的词汇,随之而来的数据开发、数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。随着大数据...

    ♥️大数据开发是干什么的?

     

    大数据作为时下火热的IT行业的词汇,随之而来的数据开发、数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。随着大数据时代的来临,大数据开发也应运而生。

     

    大数据开发其实分两种,第一类是编写一些Hadoop、Spark的应用程序,第二类是对大数据处理系统本身进行开发。第一类工作感觉更适用于data analyst这种职位吧,而且现在Hive Spark-SQL这种系统也提供SQL的接口。第二类工作的话通常才大公司里才有,一般他们都会搞自己的系统或者再对开源的做些二次开发。这种工作的话对理论和实践要求的都更深一些,也更有技术含量。


     

    ♥️大数据开发需要掌握哪些技术?学习路线如何?

     

    阶段一:Linux&Hadoop生态体系基础知识、原理

    Linux体系、Python编程语言核心用法、Hadoop离线计算原理、分布式数据库Hbase、数据仓库Hive、Flume分布式日志采集、zookeeper全局分布式锁、kafka分布式发布-订阅消息系统、spark分布式计算框架。

     

    阶段二:分布式计算框架和Spark&Strom/flink生态体系

    (1)分布式计算框架优化与实战

    Scala编程语言核心用法、Spark(sql、shell)大数据处理、Spark—Streaming大数据处理、Spark—Mlib机器学习)大数据处理、Spark—Streaming大数据处理、Spark—Mlib机器学习、hive数仓实战、hbase实战。

    实战一:数据采集业务 + flume

    实战二:kafka + sparkstreaming实时数据处理

    实战三:推荐系统(完整流程)+ 工程

     

    (2)Storm/flink技术架构体系

    Storm/flink原理、基础、调优 消息队列kafka、Redis工具、zookeeper详解

    实战一:LogServer

    实战二:storm/flink + zookeeper

    实战三:hbase+zookeeper

     

    阶段三、数据挖掘与机器学习

    结巴+隐马尔科夫、维特比算法+userCF、spark实现userCF+itemCF+LR+商品预测、决策树+随机森林+GBDT、支持向量机SVM、神经网络与深度学习、word2vec + lstm、als算法、kmeans + spark应用 + 交叉特征、贝叶斯 + 新闻分类 + saprk应用。

     

    领取大数据免费学习资料加扣群:740041381

    ♥️大数据开发需要掌握数学知识吗?

     

    1、大数据分析需要数学及统计学基础

    2、大数据开发主要学习编程技术,不需要数学基础

     

     

    ♥️大数据开发就业前景如何?

     

    1、大数据人才缺口百万+

    2、2018年一线城市大数据开发岗位年薪30w

    3、与人工智能、云计算以及电商、旅游、物流等行业的对接将更加深入,发展方向也更加广泛

     

     

    ♥️大数据开发工程师薪资待遇及招聘要求?

     

    大数据开发工程师

    北京大数据开发平均工资:¥ 20230/月。

    大数据开发工程师/专家 岗位指责(引自 滴滴出行):

    职位描述:

    1、构建分布式大数据服务平台,参与和构建公司包括海量数据存储、离线/实时计算、实时查询,大数据系统运维等系统;

    2、服务各种业务需求,服务日益增长的业务和数据量;

    3、深入源码内核改进优化开源项目,解决各种hadoop、spark、hbase疑难l问题,参与到开源社区建设和代码贡献。

    岗位要求:

    1、计算机或相关专业本科以上学历(2年以上工作经验);

    2、精通C++/Java/Scala/python 程序开发(至少一种),熟悉Linux/Unix开发环境;

    3、熟悉常用开源分布式系统,精通Hadoop/Hive/Spark/Storm/Flink/HBase之一源代码;

    4、有大规模分布式系统开发、维护经验,有故障处理能力,源码级开发能力;

    5、具有良好的沟通协作能力,具有较强的分享精神;

    6、对Kudu、Kylin、Impala、ElasticSearch,github等系统有深入使用和底层研究者加分。

     

     

    ♥️:什么样的人,适合学习大数据开发?

     

    展开全文
  • 大数据常用十种开发语言

    万次阅读 多人点赞 2016-03-17 11:11:32
    随着大数据热潮持续延烧,几乎每个产业都有如洪水般倾泻的信息,面对上万笔的顾客浏览纪录、购买行为数据,如果要用 Excel 来进行数据处理真是太不切实际了,Excel 相较于其他统计软件的功能已相去甚远;但如果只会...
  • 大数据关键技术涵盖数据存储、处理、应用等多方面的技术,根据大数据的处理过程,可将其分为大数据采集、大数据预处理、大数据存储及管理、大数据处理、大数据分析及挖掘、大数据展示等。 大数据采集技术 大...
  • 1.大数据简历的黄金法则2.大数据简历的项目经验
  • 笔试题汇总 20190422: 在linux里找文件 sql题 mapreduce原理,排序算法 大数据处理积累的经验----例如数据倾斜 高效构建大数据仓库的认识和理解
  • 大数据可以考哪些证书?

    万次阅读 2019-09-06 21:59:38
    随着国家政策的支持,大数据产业不断发展,落地应用于各行各业,大数据人才需求与日俱增,大数据认证的数量也在不断增加,这些资格来自供应商、教育机构、独立或行业机构。大数据领域包括:大数据系统管理、Hadoop、...
  • 大数据开发是干什么的?

    千次阅读 2018-08-22 14:37:33
    大数据开发工程师主要负责的工作有以下内容: 1. 负责公司大数据平台的开发和维护,负责大数据平台持续集成相关工具平台的架构设计与产品开发等工作; 2. 主要从事网络日志的大数据分析工作,包括...
  • 大数据课程(10G)全套学习视频免费分享

    万次阅读 热门讨论 2019-09-29 14:26:30
    相关数据下载,请关注微信公众号"一行数据"...大数据"可免费获得 对比了很多网上的大数据学习视频,传智全套学习课程...5G已经到来,大数据开发前景光明,奉上学习资料,转行大数据开发不再是梦! ...
  • 大数据开发笔试题

    万次阅读 2018-06-16 13:11:36
    选择题 判断题 Sqoop在导入数据到mysql中,如何让数据不重复导入?如何在sqoop如何处理 请列出你所知道的hadoop的调度器,并要简要说明工作方法 Hive 有哪些方式保存元数据,各有那些特点 简述hbase filter 的...
  • 大数据分析项目实战

    万次阅读 2018-03-19 18:48:30
    随着大数据相关技术的发展,大数据在行业内的应用越来越广泛,大数据又分为数据采集、数据清洗、数据存储、数据建模、数据呈现等多个环节。由于缺乏对应的大数据人才,以及国家对大数据的支持,目前很多人都开始关注...
  • 什么是大数据系统架构

    万次阅读 2018-03-16 14:07:19
    现在需要一种技术,把大数据开发中一些通用的,重复使用的基础代码、算法封装为类库,降低大数据的学习门槛,降低开发难度,提高大数据项目的开发效率。大数据在工作中的应用有三种:与业务相关,比如用户画像、风险...
  • 大数据开发、大数据分析、大数据运维都围绕着大数据展开。如果我们把大数据去掉,就只剩下,开发,分析,运维。当然还有其它的工作,例如运营,产品,讲师,测试等。 加上了大数据,只是我们的工作内容,或者说是...
  • 大数据需要学习哪些技术?

    万次阅读 多人点赞 2018-10-30 17:13:13
    大数据是对海量数据进行存储、计算、统计、分析处理的一系列处理手段,处理的数据量通常是TB级,甚至是PB或EB级的数据,这...在这里还是要推荐下我自己建的大数据学习交流群:199427210,群里都是学大数据开发的,如...
  • 昨天和三个学计算机专业的学生聊天时聊到了大数据开发方面的话题,他们三个人中,有两个已经进入企业开始工作,另外一个还是大二学生,但已经开设了自己的工作室。他们都是从事程序开发方面工作的。大数据开发自然都...
  • 该视频教程教大家将学到的数据结构与算法知识应用到实际项目开发中,真正的做到学以致用,理论联系实际,课程会从基本的数据结构算法讲起,结合着实际项目开发,由浅入深,更加贴近实战,让学习者真正的掌握算法应用...
  • 大数据开发工程师岗位分析

    万次阅读 多人点赞 2017-01-20 23:37:06
    最近一年大数据火爆异常,各种培训班开课广告满天飞,很多做开发的朋友也想转到大数据这一行,在投递简历的时候进场被几个岗位搞迷糊,他们是大数据分析师,大数据研发工程师,大数据建模工程师,大数据挖掘工程师。...
1 2 3 4 5 ... 20
收藏数 255,625
精华内容 102,250
关键字:

大数据开发