• 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...
        

    640?wx_fmt=gif&wxfrom=5&wx_lazy=1

    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。


    640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1


    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;Resource Manager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?官方给的解释如下: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:


    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;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;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。有兴趣的可以研究和使用一下,对比一下它与Sqoop。



    第四章:把Hadoop上的数据搞到别处去


    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。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,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


    Oozie是什么?有哪些功能?


    Oozie可以调度哪些类型的任务(程序)?


    Oozie可以支持哪些任务触发方式?


    安装配置Oozie。


    7.2 其他开源的任务调度系统


    Azkaban,light-task-scheduler,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


    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。


    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,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。


    来源:数盟


    精彩活动

    福利 · 阅读 | 免费申请读大数据新书 第23期

    推荐阅读

    2017年数据可视化的七大趋势! 

    全球100款大数据工具汇总(前50款) 

    论大数据的十大局限

    大数据时代的10个重大变革

    大数据七大趋势 第一个趋势是物联网


    Q: 大数据构架师还需要哪些能力?

    欢迎留言与大家分享

    请把这篇文章分享给你的朋友

    转载 / 投稿请联系:hzzy@hzbook.com

    更多精彩文章,请在公众号后台点击“历史文章”查看

    640?wx_fmt=jpeg

    展开全文
  • 8 月 11 日,「AI+Cloud 赋能行业新未来」为主题的 NIUDAY 成都站中,Camera360 数据部门技术总监龚俊衡为大家带来了关于「大数据与机器学习平台话建设」的分享,龚老师有超过 12 年的研发经验和拥有 4 年相关大数据...
  • Level Ⅲ大数据分析师 55.9G学习资料 资料全面,包含大纲和学习计划表 百度网盘
  • 大数据工程师学习计划 2019-08-10 21:34:09
    申明:本文旨在为普通程序员(Java程序员最佳)提供一个入门级别的大数据技术学习路径,不适用于大数据工程师的进阶学习,也不适用于零编程基础的同学。 前言 一、背景介绍 本人目前是一名大数据工程师,项目数据...
  • 最近有很多人问我,大数据是怎么学?需要学什么技术以及这些技术的学习顺序是什么?今天有时间我把个问题总结成文章分享给大家。 大数据处理技术怎么学习呢?首先我们要学习Python语言和Linux操作系统,这...
  • 从小白到大数据架构师的学习历程 - 送100G学习资料 最近有很多人问我,大数据是怎么学?需要学什么技术以及这些技术的学习顺序是什么?今天我把个问题总结成文章分享给大家。 大数据处理技术怎么学习呢?首先...
  • 正在悄悄改变世界的大数据据淘宝数据显示,B罩杯的文胸尺码最为畅销,占比达41.45%,其中最畅销的莫属于75B。其次是A罩杯,购买占比达25.26%,C罩杯只有8.96%。在文胸颜色中,黑色最为畅销。以省市排名,胸部最大的...
  • 很多初学者在萌生向大数据方向发展的想法之后,不免产生一些疑问,应该怎样入门?应该学习哪些技术?学习路线又是什么? 所有萌生入行的想法与想要学习Java的同学的初衷是一样的。岗位非常火,就业薪资比较高,,前景...
  • 下面是5000多G的IT学习资源,提供完整的视频教学和相关源码,有大量的项目实战案例大概学习目录 Java基础阶段 一、20天横扫Java基础(课堂实录) 二、Java基础实战——Bank项目 三、_ORACLE、SQL、PLSQL视频教程...
  • 大数据相关学习资料 2017-11-01 16:27:07
    原文: 三个月大数据研发学习计划实战解析 关注微信公众号:「GitChat 技术杂谈」 一本正经的讲技术 【不要错过文末彩蛋】 申明: 本文旨在为普通程序员(Java程序员最佳)提供一个入门级别的大数据
  • 近些年,大数据的火热可谓是技术人都知道啊,很多人呢,也想学习大数据相关,但是又不知道从何下手,所以今天在这里分享几个大数据脑图,希望可以让你清楚明白从哪里入门大数据,知道该学习以及掌握哪些知识点;...
  • 大数据包含的技术知识很多,如果是从头学起,一般是从两个方面入手,一是基础;...在这里小编建了一个大数据学习交流扣扣群:529867072,我自己整理的最新的大数据进阶资料和高级开发教程,如果有想需要的,可...
  • 大数据初学者怎样学习 2017-10-09 14:01:36
    很多人都知道大数据很火,就业很好,薪资很高,想往大数据方向发展。但该学哪些技术,学习路线是什么样的呢?用不用参加大数据培训呢?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,那么大讲台老师就想...
  • 2017年IT行业与大数据相关的职位需求已经占比70%以上,到明年需求还会更大。就目前而言人才缺失是一个重要板块,高校大数据专业才刚刚兴起,毕业生数量远远小于企业需求量。据了解,在美国的大数据分析师平均薪资已...
  • 经常有初学者在问,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。 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...
  • 经常有初学者在QQ群问我,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...
  • 大数据学习路线攻略 2018-02-22 11:18:54
    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...
  • 一文读懂大数据平台——写给大数据开发初学者的话! 文|miao君导读: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...
  • 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...
1 2 3 4 5 ... 20
收藏数 5,340
精华内容 2,136