精华内容
下载资源
问答
  • 大数据-大数据学习过程

    千次阅读 多人点赞 2018-09-13 11:03:50
    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... 三、大数据学习规划 四、持续学习资源推荐(书籍,博客,网站) 五、项目案例分析(批处理+实时处理) 前言 一、背景介绍 本人目前是一名大数...

    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
    • 二、大数据介绍

    正文:

    • 一、大数据相关的工作介绍
    • 二、大数据工程师的技能要求
    • 三、大数据学习规划
    • 四、持续学习资源推荐(书籍,博客,网站)
    • 五、项目案例分析(批处理+实时处理)

    前言

    一、背景介绍

    本人目前是一名大数据工程师,项目数据50T,日均数据增长20G左右,个人是从Java后端开发,经过3个月的业余自学成功转型大数据工程师。

    二、大数据介绍

    大数据本质也是数据,但是又有了新的特征,包括数据来源广数据格式多样化(结构化数据、非结构化数据、Excel文件、文本文件等)、数据量大(最少也是TB级别的、甚至可能是PB级别)、数据增长速度快等。

    针对以上主要的4个特征我们需要考虑以下问题:

    1. 数据来源广,该如何采集汇总?,对应出现了Sqoop,Cammel,Datax等工具。

    2. 数据采集之后,该如何存储?,对应出现了GFS,HDFS,TFS等分布式文件存储系统。

    3. 由于数据增长速度快,数据存储就必须可以水平扩展。

    4. 数据存储之后,该如何通过运算快速转化成一致的格式,该如何快速运算出自己想要的结果?

      对应的MapReduce这样的分布式运算框架解决了这个问题;但是写MapReduce需要Java代码量很大,所以出现了Hive,Pig等将SQL转化成MapReduce的解析引擎;

      普通的MapReduce处理数据只能一批一批地处理,时间延迟太长,为了实现每输入一条数据就能得到结果,于是出现了Storm/JStorm这样的低时延的流式计算框架;

      但是如果同时需要批处理流处理,按照如上就得搭两个集群,Hadoop集群(包括HDFS+MapReduce+Yarn)和Storm集群,不易于管理,所以出现了Spark这样的一站式的计算框架,既可以进行批处理,又可以进行流处理(实质上是微批处理)。

    5. 而后Lambda架构,Kappa架构的出现,又提供了一种业务处理的通用架构。

    6. 为了提高工作效率,加快运速度,出现了一些辅助工具:

      • Ozzie,azkaban:定时任务调度的工具。
      • Hue,Zepplin:图形化任务执行管理,结果查看工具。
      • Scala语言:编写Spark程序的最佳语言,当然也可以选择用Python。
      • Python语言:编写一些脚本时会用到。
      • Allluxio,Kylin等:通过对存储的数据进行预处理,加快运算速度的工具。

    以上大致就把整个大数据生态里面用到的工具所解决的问题列举了一遍,知道了他们为什么而出现或者说出现是为了解决什么问题,进行学习的时候就有的放矢了。

    正文

    一、大数据相关工作介绍

    大数据方向的工作目前主要分为三个主要方向:

    1. 大数据工程师
    2. 数据分析师
    3. 大数据科学家
    4. 其他(数据挖掘等)

    二、大数据工程师的技能要求

    附上大数据工程师技能图:

    enter image description here

    必须掌握的技能11条

    1. Java高级(虚拟机、并发)
    2. Linux 基本操作
    3. Hadoop(HDFS+MapReduce+Yarn )
    4. HBase(JavaAPI操作+Phoenix )
    5. Hive(Hql基本操作和原理理解)
    6. Kafka
    7. Storm/JStorm
    8. Scala
    9. Python
    10. Spark (Core+sparksql+Spark streaming )
    11. 辅助小工具(Sqoop/Flume/Oozie/Hue等)

    高阶技能6条

    1. 机器学习算法以及mahout库加MLlib
    2. R语言
    3. Lambda 架构
    4. Kappa架构
    5. Kylin
    6. Alluxio

    三、学习路径

    假设每天可以抽出3个小时的有效学习时间,加上周末每天保证10个小时的有效学习时间;

    3个月会有(21*3+4*2*10)*3=423小时的学习时间。

    第一阶段(基础阶段)

    1)Linux学习(跟鸟哥学就ok了)—–20小时

    1. Linux操作系统介绍与安装。
    2. Linux常用命令。
    3. Linux常用软件安装。
    4. Linux网络。
    5. 防火墙。
    6. Shell编程等。

    官网:https://www.centos.org/download/ 
    中文社区:http://www.linuxidc.com/Linux/2017-09/146919.htm

    2)Java 高级学习(《深入理解Java虚拟机》、《Java高并发实战》)—30小时

    1. 掌握多线程。
    2. 掌握并发包下的队列。
    3. 了解JMS。
    4. 掌握JVM技术。
    5. 掌握反射和动态代理。

    官网:https://www.java.com/zh_CN/ 
    中文社区:http://www.java-cn.com/index.html

    3)Zookeeper学习(可以参照这篇博客进行学习:http://www.cnblogs.com/wuxl360/p/5817471.html

    1. Zookeeper分布式协调服务介绍。
    2. Zookeeper集群的安装部署。
    3. Zookeeper数据结构、命令。
    4. Zookeeper的原理以及选举机制。

    官网:http://zookeeper.apache.org/ 
    中文社区:http://www.aboutyun.com/forum-149-1.html

    第二阶段(攻坚阶段)

    4)Hadoop (《Hadoop 权威指南》)—80小时

    1. HDFS

      • HDFS的概念和特性。
      • HDFS的shell操作。
      • HDFS的工作机制。
      • HDFS的Java应用开发。
    2. MapReduce

      • 运行WordCount示例程序。
      • 了解MapReduce内部的运行机制。 
        • MapReduce程序运行流程解析。
        • MapTask并发数的决定机制。
        • MapReduce中的combiner组件应用。
        • MapReduce中的序列化框架及应用。
        • MapReduce中的排序。
        • MapReduce中的自定义分区实现。
        • MapReduce的shuffle机制。
        • MapReduce利用数据压缩进行优化。
        • MapReduce程序与YARN之间的关系。
        • MapReduce参数优化。
    3. MapReduce的Java应用开发

    官网:http://hadoop.apache.org/ 
    中文文档:http://hadoop.apache.org/docs/r1.0.4/cn/ 
    中文社区:http://www.aboutyun.com/forum-143-1.html

    5)Hive(《Hive开发指南》)–20小时

    1. Hive 基本概念

      • Hive 应用场景。
      • Hive 与hadoop的关系。
      • Hive 与传统数据库对比。
      • Hive 的数据存储机制。
    2. Hive 基本操作

      • Hive 中的DDL操作。
      • 在Hive 中如何实现高效的JOIN查询。
      • Hive 的内置函数应用。
      • Hive shell的高级使用方式。
      • Hive 常用参数配置。
      • Hive 自定义函数和Transform的使用技巧。
      • Hive UDF/UDAF开发实例。
    3. Hive 执行过程分析及优化策略

    官网:https://hive.apache.org/ 
    中文入门文档:http://www.aboutyun.com/thread-11873-1-1.html 
    中文社区:http://www.aboutyun.com/thread-7598-1-1.html

    6)HBase(《HBase权威指南》)—20小时

    1. hbase简介。
    2. habse安装。
    3. hbase数据模型。
    4. hbase命令。
    5. hbase开发。
    6. hbase原理。

    官网:http://hbase.apache.org/ 
    中文文档:http://abloz.com/hbase/book.html 
    中文社区:http://www.aboutyun.com/forum-142-1.html

    7)Scala(《快学Scala》)–20小时

    1. Scala概述。
    2. Scala编译器安装。
    3. Scala基础。
    4. 数组、映射、元组、集合。
    5. 类、对象、继承、特质。
    6. 模式匹配和样例类。
    7. 了解Scala Actor并发编程。
    8. 理解Akka。
    9. 理解Scala高阶函数。
    10. 理解Scala隐式转换。

    官网:http://www.scala-lang.org/ 
    初级中文教程:http://www.runoob.com/scala/scala-tutorial.html

    8)Spark (《Spark 权威指南》)—60小时

    展开全文
  • 大数据学习路线(完整详细版)

    万次阅读 多人点赞 2019-01-22 11:46:07
    java(Java se,javaweb) Linux(shell,高并发架构,lucene,solr) Hadoop(Hadoop,HDFS,Mapreduce,yarn,hive,hbase,sqoop,zookeeper...机器学习(R,mahout) Storm(Storm,kafka,redis) Spark(scala,spark,spark core,...

     

    java(Java se,javaweb)

    Linux(shell,高并发架构,lucene,solr)

    Hadoop(Hadoop,HDFS,Mapreduce,yarn,hive,hbase,sqoop,zookeeper,flume)

    机器学习(R,mahout)

    Storm(Storm,kafka,redis)

    Spark(scala,spark,spark core,spark sql,spark streaming,spark mllib,spark graphx)

    Python(python,spark python)

    云计算平台(docker,kvm,openstack)

    名词解释

    对于小白学习大数据需要注意的点有很多,但无论如何,既然你选择了进入大数据行业,那么便只顾风雨兼程。正所谓不忘初心、方得始终,学习大数据你最需要的还是一颗持之以恒的心。

    一、Linux

    lucene: 全文检索引擎的架构

     

    solr: 基于lucene的全文搜索服务器,实现了可配置、可扩展并对查询性能进行了优化,并且提供了一个完善的功能管理界面。

     


    今天为大家整理了部分大数据学习教程与大家共享,每个人可以根据自己的需要来选择,需要的小伙伴可以+下学习资料分享裙 199加上427最后是210数字连起来就是了。
     

    二、Hadoop

    HDFS: 分布式存储系统,包含NameNode,DataNode。NameNode:元数据,DataNode。DataNode:存数数据。

    yarn: 可以理解为MapReduce的协调机制,本质就是Hadoop的处理分析机制,分为ResourceManager NodeManager。

    MapReduce: 软件框架,编写程序。

    Hive: 数据仓库 可以用SQL查询,可以运行Map/Reduce程序。用来计算趋势或者网站日志,不应用于实时查询,需要很长时间返回结果。

    HBase: 数据库。非常适合用来做大数据的实时查询。Facebook用Hbase存储消息数据并进行消息实时的分析

    ZooKeeper: 针对大型分布式的可靠性协调系统。Hadoop的分布式同步等靠Zookeeper实现,例如多个NameNode,active standby切换。

    Sqoop: 数据库相互转移,关系型数据库和HDFS相互转移

    Mahout: 可扩展的机器学习和数据挖掘库。用来做推荐挖掘,聚集,分类,频繁项集挖掘。

    Chukwa: 开源收集系统,监视大型分布式系统,建立在HDFS和Map/Reduce框架之上。显示、监视、分析结果。

    Ambari: 用于配置、管理和监视Hadoop集群,基于Web,界面友好。

    二、Cloudera

    Cloudera Manager: 管理 监控 诊断 集成

    Cloudera CDH:(Cloudera's Distribution,including Apache Hadoop) Cloudera对Hadoop做了相应的改变,发行版本称为CDH。

    Cloudera Flume: 日志收集系统,支持在日志系统中定制各类数据发送方,用来收集数据。

    Cloudera Impala: 对存储在Apache Hadoop的HDFS,HBase的数据提供直接查询互动的SQL。

    Cloudera hue: web管理器,包括hue ui,hui server,hui db。hue提供所有CDH组件的shell界面的接口,可以在hue编写mr。

    三、机器学习/R

    R: 用于统计分析、绘图的语言和操作环境,目前有Hadoop-R

    mahout: 提供可扩展的机器学习领域经典算法的实现,包括聚类、分类、推荐过滤、频繁子项挖掘等,且可通过Hadoop扩展到云中。

    四、storm

    Storm: 分布式,容错的实时流式计算系统,可以用作实时分析,在线机器学习,信息流处理,连续性计算,分布式RPC,实时处理消息并更新数据库。

    Kafka: 高吞吐量的分布式发布订阅消息系统,可以处理消费者规模的网站中的所有动作流数据(浏览,搜索等)。相对Hadoop的日志数据和离线分析,可以实现实时处理。目前通过Hadoop的并行加载机制来统一线上和离线的消息处理

    Redis: 由c语言编写,支持网络、可基于内存亦可持久化的日志型、key-value型数据库。

    五、Spark

    Scala: 一种类似java的完全面向对象的编程语言。

    jblas: 一个快速的线性代数库(JAVA)。基于BLAS与LAPACK,矩阵计算实际的行业标准,并使用先进的基础设施等所有的计算程序的ATLAS艺术的实现,使其非常快。

    Spark: Spark是在Scala语言中实现的类似于Hadoop MapReduce的通用并行框架,除了Hadoop MapReduce所具有的优点,但不同于MapReduce的是job中间输出结果可以保存在内存中,从而不需要读写HDFS,因此Spark能更好的适用于数据挖掘与机器学习等需要迭代的MapReduce算法。可以和Hadoop文件系统并行运作,用过Mesos的第三方集群框架可以支持此行为。

    Spark SQL: 作为Apache Spark大数据框架的一部分,可用于结构化数据处理并可以执行类似SQL的Spark数据查询

    Spark Streaming:一种构建在Spark上的实时计算框架,扩展了Spark处理大数据流式数据的能力。

    Spark MLlib: MLlib是Spark是常用的机器学习算法的实现库,目前(2014.05)支持二元分类,回归,聚类以及协同过滤。同时也包括一个底层的梯度下降优化基础算法。MLlib以来jblas线性代数库,jblas本身以来远程的Fortran程序。

    Spark GraphX: GraphX是Spark中用于图和图并行计算的API,可以在Spark之上提供一站式数据解决方案,可以方便且高效地完成图计算的一整套流水作业。

    Fortran: 最早出现的计算机高级程序设计语言,广泛应用于科学和工程计算领域。

    BLAS: 基础线性代数子程序库,拥有大量已经编写好的关于线性代数运算的程序。

    LAPACK: 著名的公开软件,包含了求解科学与工程计算中最常见的数值线性代数问题,如求解线性方程组、线性最小二乘问题、特征值问题和奇异值问题等。

    ATLAS: BLAS线性算法库的优化版本。

    Spark Python: Spark是由scala语言编写的,但是为了推广和兼容,提供了java和python接口。

    六、Python

    Python: 一种面向对象的、解释型计算机程序设计语言。

    七、云计算平台

    Docker: 开源的应用容器引擎

    kvm: (Keyboard Video Mouse)

    openstack:  开源的云计算管理平台项目



     

    展开全文
  • 大数据教程,大数据学习线路图

    万次阅读 多人点赞 2018-07-05 10:53:33
    很多人还没搞清楚什么是PC互联网,移动互联网来了,我们还没搞清楚移动互联的时候,大数据时代又来了。 马云 深度解析大数据大数据”是近年来IT行业的热词,并广泛的应用在各行各业。特别是近年来随着社交网络...

    前言先引用一下马云大大的话:

    很多人还没搞清楚什么是PC互联网,移动互联网来了,我们还没搞清楚移动互联的时候,大数据时代又来了。 马云

    深度解析大数据

    “大数据”是近年来IT行业的热词,并广泛的应用在各行各业。特别是近年来随着社交网络、物联网、云计算以及多种传感器的广泛应用,以数量庞大,种类众多,时效性强为特征的非结构化的数据不断涌现,数据的重要性愈发凸显,传统的数据存储、分析技术难以实时处理大量的非结构化信息,大数据的概念应运而生。

    大数据就是互联网发展到现今阶段的一种表象或特征,在以云计算为代表的技术创新大幕的衬托下,这些原本很难收集和使用的数据开始容易被利用起来了,通过各行各业的不断创新,大数据会逐步为人类创造更多的价值。

    大数据前景

    国家政策支持

    国务院日前印发《促进大数据发展行动纲要》,总理在致辞中说,当今世界,信息化浪潮席卷全球,大数据、云计算、物联网等蓬勃发展,使互联网时代迈上一个新台阶。今天的中国要把握住世界科技革命的历史机遇。

    岗位需求越来越多

    随着企业越来越重视大数据的利用,近几年间大数据人才缺口就已高达百万,目前企业都难以找到足够的大数据开发人才,大数据从业者的增长量,远远满足不了市场需求的扩张,大数据人才需求将出现“井喷”现象。

    咱们来看看智联上的岗位:

     

    无论专科还是本科,拥有1到3年工作经验,都可以找到薪资10k-15k的工作!这么多的企业在招聘,真的不怕找不到工作的哈。

     

    这只是工作1到3年的薪资,工作时间越长,经验越多,薪资越可观!

    说到了岗位,肯定有小伙伴们想学习,但是苦于找不到资料,昨天小编整理了一下大数据的资料,拿来分享给大家!

    大数据学习线路图:

    1、云计算大数据linux教程

    作为一个程序员,一定要学会linux,你的程序最终是跑在Linux服务器上的吆

    云计算大数据linux教程

    http://yun.itheima.com/course/358.html?zzj

    链接:https://pan.baidu.com/s/15StHwJaSiw-emT5bI59jcw 密码:gzni

    2、Java基础

    学习大数据,一定要有java基础,这十天的教程内容,完全可以让你入门!

     

    Java编程轻松入门教程

    视频http://yun.itheima.com/course/269.html?stt

    链接:https://pan.baidu.com/s/1o9yLBsu 密码:wwd0

    3、云计算大数据之zookeeper教程
    zookeeper可是Hadoop和Hbase的重要组件,集群的管理者,监视着集群中各个节点的状态根据节点提交的反馈进行下一步合理操作。

    云计算大数据之zookeeper教程

    http://yun.itheima.com/course/359.html?zzj

    链接:https://pan.baidu.com/s/1wNp5QlqxfknI3p6vywxUhw 密码:ujd6

    4、云计算大数据Hive教程

    云计算大数据Hive教程

    http://yun.itheima.com/course/365.html?stt

    资料链接:https://pan.baidu.com/s/1PcZny-iLuVJdqlNGdi0zKw 密码:tm6o

    5、大数据hadoop教程入门

    这个可是重磅资源,学会hadoop,你的身价会倍增,现在一个hadoop工程师身价可在20k左右。

    大数据hadoop教程入门

    视频https://pan.baidu.com/s/1brllQlL

    资料链接:https://pan.baidu.com/s/1smCTwRj 密码:vp5v

    展开全文
  • 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...

    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,,前景非常可观。基本都是这个原因而向往大数据,但是对大数据却不甚了解。

    如果你想学习,那么首先你需要学会编程,其次你需要掌握数学,统计学的知识,最后融合应用,就可以想在数据方向发展,笼统来说,就是这样的。但是仅仅这样并没有什么帮助。

     

    现在你需要问自己几个问题:

    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。

    你自己的专业又是什么?

    如果你是金融专业,你可以学习,因为这结合起来你自己的专业,将让你在只有你专业知识的竞争者之中脱颖而出,毕竟现在AI+已经涉及到金融行业了。

    说了这么多,无非就是想告诉你,大数据的三个大的发展方向:

    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,只能说能挣钱的都不简单。

    说一下大数据的四个典型的特征:

    数据量大;

    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,但需要在海量数据之上,通过数据分析与机器学习快速的挖掘出来;

    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,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: N、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

    是不是眼花缭乱了,上面的这些内容,别谈精通了,就算全部都会使用的,应该也没几个。咱们接下来就大数据开发/ 设计/ 架构方向来了解一下学习路线。

    在接下的学习中,不论遇到什么问题,先试试搜索并自己解决。Google首选,其次百度。

    于入门者而言,官方文档永远是首选文档。

     

    互联网科技发展蓬勃兴起,人工智能时代来临,抓住下一个风口。为帮助那些往想互联网方向转行想学习,却因为时间不够,资源不足而放弃的人。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,大数据学习群:199加上【427】最后加上210就可以找到组织学习  欢迎进阶中和进想深入大数据的小伙伴加入。

    第一章:Hadoop

    在大数据存储和计算中Hadoop可以算是开山鼻祖,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,你至少需要搞清楚这些是什么:

    Hadoop 1.0、Hadoop 2.0

    MapReduce、HDFS

    NameNode、DataNode

    JobTracker、TaskTracker

    Yarn、ResourceManager、NodeManager

    自己学会如何搭建Hadoop,先让它跑起来。建议先使用安装包命令行安装,不要使用管理工具安装。现在都用Hadoop 2.0。

    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。

    以上完成之后,就应该去了解他们的原理了:

    MapReduce:如何分而治之;HDFS:数据到底在哪里,究竟什么才是副本;

    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;

    如果有合适的学习网站,视频就去听课,如果没有或者比较喜欢书籍,也可以啃书。当然最好的方法是先去搜索出来这些是干什么的,大概有了概念之后,然后再去听视频。

    之后便是自己寻找一个例子:

    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

    在这里,一定要学习SQL,它会对你的工作有很大的帮助。

    就像是你写(或者抄)的WordCount一共有几行代码?但是你用SQL就非常简单了,例如:

    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,而SQL一行搞定;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。

    另外就是SQL On Hadoop之Hive于大数据而言一定要学习的。

    什么是Hive?

    官方解释如下: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。

    了解了它的作用之后,就是安装配置Hive的环节,当可以正常进入Hive命令行是,就是安装配置成功了。

    了解Hive是怎么工作的

    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;

    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: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。

    HDFS GET命令:把HDFS上的文件GET到本地。需要熟练掌握。

    HDFS API:同3.2.

    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。

    如果你已经按照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;

    知道sqoop是HDFS和其他数据源之间的数据交换工具;

    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: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。

    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:数据多次利用

    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。

    关于Kafka:什么是Kafka?Kafka的核心概念及名词解释。

    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。

    如果你已经认真完整的学习了以上的内容,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: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,也只能是简单介绍一下了,研究不深入。在业务中,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。

    准备好接受大数据了吗?开始学习吧,提高技能,提高核心竞争力。也给自己的未来一个机会。

    展开全文
  • 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...
  • 三、大数据学习规划 四、持续学习资源推荐(书籍,博客,网站) 五、项目案例分析(批处理+实时处理)   大数据学习群:119599574 前言 一、背景介绍 本人目前是一名大数据工程师,项目数据50T,日均数据...
  • 大数据学习路线图

    万次阅读 多人点赞 2018-03-30 16:20:05
    一、入门准备 1、linux操作基础 1) Linux的介绍,Linux的安装:VMware Workstation虚拟软件安装过程、CentOS虚拟机安装过程 2) Linux的常用命令:常用命令的介绍、常用命令的使用和练习(文件操作、用户管理与权限...
  • 大数据学习

    千人学习 2018-07-30 15:54:32
    spark运用和开发详细讲解,一节课,让你彻底了解到spark
  • 不知道你是计算机专业应届生还是已经从业者。总之,有java基础的学生学习大数据会轻松很多,零基础的小白都需要从java和linux学起。如果你是一个学习能力特别强,而且自律性也很强的人的话可以通过自学...大数据学习...
  • 大数据学习路线 java(Java se,javaweb) Linux(shell,高并发架构,lucene,solr) Hadoop(Hadoop,HDFS,Mapreduce,yarn,hive,hbase,sqoop,zookeeper,flume) 机器学习(R,mahout) Storm(Storm,kafka,redis) Spark(scala,...
  • 大数据学习路线

    万次阅读 多人点赞 2017-06-03 16:35:58
    一方面我自己还只是大数据学习中的一个小学生,贸然动笔怕贻笑大方;另一方面大数据本身领域博大精深,其涵盖领域之广技术种类之多确实很难用一篇文章囊括。怎奈“下雨天打孩子,闲着也是闲着”,况笔者一直坚持写...
  • 大数据学习并不是高深莫测的,只要你肯努力,一定会学有所成。 小白转行学习大数据需要注意些什么: 在掌握学习大数据的方式方法之前,我们首先要审视一下自己,自己对大数据是不是真的感兴趣,自己对大数据的了解有...
  • 大数据开发学习,大数据学习路线(完整详细版)

    千次阅读 多人点赞 2019-05-04 13:24:20
    很多初学者,对大数据的概念都是模糊不清的,大数据是什么,能做什么,学的时候,该按照什么线路去学习,学完往哪方面发展,想深入了解,想学习的同学欢迎加入大数据学习qq群:199427210,有大量干货(零基础以及...
  • 大数据学习心得

    万次阅读 多人点赞 2017-03-01 22:52:20
    大数据学习心得一、 概述1大数据简介 1.1起源 “大数据“,近几年来最火的词之一。虽然大数据这个词的正式产生也就10年左右,但对大数据分析却早就有之。早在互联网初期,就有很多公司通过计算机技术对大量的分析...
  • 大数据学习路线,0基础小白怎么学习大数据?

    千次阅读 多人点赞 2019-04-07 22:08:01
    大数据的领域非常广泛,往往使...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)...
  • 大数据学习体系说明

    千次阅读 2019-12-22 22:07:43
    大数据需要学习什么?很多人问过我这个问题...干货走起,闲话不多说,以下就是小编整理的大数据学习思路附上学习路线图 第一阶段:linux系统 本阶段为大数据学习入门基础课程,帮大家进入大数据领取打好Linux基础,...
  • 大数据学习笔记目录

    2020-01-04 09:52:31
    Zebra项目:分析、实施与测试 ...大数据学习笔记01:大数据概述 大数据学习笔记02:在私有云上创建与配置虚拟机 大数据学习笔记03:安装配置CentOS7虚拟机 大数据学习笔记04:单机模式使用ZooKeeper ...
  • 大数据学习教程

    2018-03-25 17:53:45
    大数据基础教程了解过大数据的同学都知道,在学大数据之前,Java 是必备的,所以学大数据的基础就是先掌握好 JavaEE 的内容,分享一套基础比较新的教程,在这里还是要推荐下我自己建的大数据学习交流群:199427210,...
  • 大数据学习不是很深奥也不难懂,虽然并不简单,但是通过努力学习,想学习的朋友也能掌握大数据。 很多初学者,对大数据的概念都是模糊不清的,大数据是什么,能做什么,学的时候,该按照什么线路去学习,学完往哪...
  • 大数据学习路线思维导图

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 295,395
精华内容 118,158
关键字:

大数据学习