大数据学习详细路线

时间 2019-12-14

标签数据学习详细路线繁體版

原文原文链接

不少初学者，对大数据的概念都是模糊不清的，大数据是什么，能作什么，学的时候，该按照什么线路去学习，学完往哪方面发展，想深刻了解，想学习的同窗欢迎加入大数据学习扣扣群： 142974151，有大量干货（零基础以及进阶的经典实战）分享给你们，而且有清华大学毕业的资深大数据讲师给你们免费授课，给你们分享目前国内最完整的大数据高端实战实用学习流程体系。python

第一章：初识Hadoopgit

1. 学会百度与Googlegithub

不论遇到什么问题，先试试搜索并本身解决。算法

Google首选，翻不过去的，就用百度吧。shell

2 .参考资料首选官方文档数据库

特别是对于入门来讲，官方文档永远是首选文档。编程

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

3 .先让Hadoop跑起来架构

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

关于Hadoop,你至少须要搞清楚如下是什么：

Hadoop 1.0、Hadoop 2.0
MapReduce、HDFS
NameNode、DataNode
JobTracker、TaskTracker
Yarn、ResourceManager、NodeManager

本身搭建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知道它就好了，如今都用Hadoop 2.0.

4 .试试使用Hadoop

HDFS目录操做命令；
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。

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究竟是什么，它能干什么；
NameNode到底在干些什么；
ResourceManager到底在干些什么；

6 .本身写一个MapReduce程序

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

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

若是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

1 学点SQL吧

你知道数据库吗？你会写SQL吗？
若是不会，请学点SQL吧。

2. SQL版WordCount

在1.6中，你写（或者抄）的WordCount一共有几行代码？

给你看看个人:

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

这即是SQL的魅力，编程须要几十行，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。不管是离线计算仍是实时计算，愈来愈多的大数据处理框架都在积极提供SQL接口。

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.

为何说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色：最全的历史数据（海量）、相对稳定的；所谓相对稳定，指的是数据仓库不一样于业务系统数据库，数据常常会被更新，数据一旦进入数据仓库，不多会被更新和删除，只会被大量查询。而Hive，也是具有这两个特色，所以，Hive适合作海量数据的数据仓库工具，而不是数据库工具。

4 .安装配置Hive

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

.5 .试试使用Hive

请参考1.1 和 1.2 ，在Hive中建立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。

6. Hive是怎么工做的

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

7 .学会Hive的基本命令

建立、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。

若是你已经按照《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，那么你应该已经具有如下技能和知识点：

0和Hadoop2.0的区别；
MapReduce的原理（仍是那个经典的题目，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；
本身会写简单的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的大体流程；
Hive中常见的语句：建立表、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，它能够用来存储海量数据，MapReduce是Hadoop提供的分布式计算框架，它能够用来统计和分析HDFS上的海量数据，而Hive则是SQL On Hadoop，Hive提供了SQL接口，开发人员只须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。

第三章：把别处的数据搞到Hadoop上

不少初学者，对大数据的概念都是模糊不清的，大数据是什么，能作什么，学的时候，该按照什么线路去学习，学完往哪方面发展，想深刻了解，想学习的同窗欢迎加入大数据学习扣扣群：前面是 142974151有大量干货（零基础以及进阶的经典实战）分享给你们，而且有清华大学毕业的资深大数据讲师给你们免费授课，给你们分享目前国内最完整的大数据高端实战实用学习流程体系。

此处也能够叫作数据采集，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经常使用，一般配合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，本身用编程语言将数据写入HDFS，put命令自己也是使用API。

实际环境中通常本身较少编写程序使用API来写数据到HDFS，一般都是使用其余框架封装好的方法。好比：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同样，Sqoop把你指定的参数翻译成MapReduce，提交到Hadoop运行，完成Hadoop与其余数据库之间的数据交换。

本身下载和配置Sqoop（建议先使用Sqoop1，Sqoop2比较复杂）。

了解Sqoop经常使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：若是后续选型肯定使用Sqoop做为数据交换工具，那么建议熟练掌握，不然，了解和会用Demo便可。

3.4 Flume

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

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

所以，若是你的业务有这些数据源的数据，而且须要实时的采集，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，若是你没有足够的兴趣和耐心，能够先跳过Flume。

3.5 阿里开源的DataX

之因此介绍这个，是由于咱们公司目前使用的Hadoop与关系型数据库数据交换的工具，就是以前基于DataX开发的，很是好用。

能够参考个人博文《异构数据源海量数据交换工具-Taobao DataX 下载和使用》。

如今DataX已是3.0版本，支持不少数据源。

你也能够在其之上作二次开发。

PS：有兴趣的能够研究和使用一下，对比一下它与Sqoop。

第四章：把Hadoop上的数据搞到别处去

前面介绍了如何把数据源的数据采集到Hadoop上，数据到Hadoop上以后，即可以使用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上同步到其余系统和应用中去呢？

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。须要熟练掌握。

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.

若是你已经按照《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，那么你应该已经具有如下技能和知识点：

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和其余数据源之间的数据交换工具；
你已经知道flume能够用做实时的日志采集。

从前面的学习，对于大数据平台，你已经掌握的很多的知识和技能，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余数据源。

接下来的问题来了，Hive使用的愈来愈多，你会发现不少不爽的地方，特别是速度慢，大多状况下，明明个人数据量很小，它都要申请资源，启动MapReduce来执行。

第五章：快一点吧，个人SQL

其实你们都已经发现Hive后台使用MapReduce做为执行引擎，实在是有点慢。

所以SQL On Hadoop的框架愈来愈多，按个人了解，最经常使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.

咱们目前使用的是SparkSQL，至于为何用SparkSQL，缘由大概有如下吧：

使用Spark还作了其余事情，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为何比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不是一门短期内就能掌握的技术，所以建议在了解了Spark以后，能够先从SparkSQL入手，按部就班。

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

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、屡次消费。

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，尽管是经过Flume采集的，但Flume也不能间隔很短就往HDFS上滚动文件，这样会致使小文件特别多。

为了知足数据的一次采集、屡次消费的需求，这里要说的即是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程序本身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。

若是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中的数据能够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。

若是你已经按照《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，那么你应该已经具有如下技能和知识点：

为何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，屡次消费架构。
本身能够写程序完成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，都须要一个任务（程序）来完成，各个任务之间又存在必定的依赖性，好比，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。若是一个任务执行失败，须要给开发运维人员发送告警，同时须要提供完整的日志来方便查错。

第七章：愈来愈多的分析任务

不只仅是分析任务，数据采集、数据交换一样是一个个的任务。这些任务中，有的是定时触发，有点则须要依赖其余任务来触发。当平台中有几百上千个任务须要维护和运行时候，仅仅靠crontab远远不够了，这时便须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，相似于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能够调度哪些类型的任务（程序）？
3. Oozie能够支持哪些任务触发方式？
4. 安装配置Oozie。

7.2 其余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，我这边是以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》.

第八章：个人数据要实时

在第六章介绍Kafka的时候提到了一些须要实时指标的业务场景，实时基本能够分为绝对实时和准实时，绝对实时的延迟要求通常在毫秒级，准实时的延迟要求通常在秒、分钟级。对于须要绝对实时的业务场景，用的比较多的是Storm，对于其余准实时的业务场景，能够是Storm，也能够是Spark Streaming。固然，若是能够的话，也能够本身写程序来作。

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。
本身编写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：个人数据要对外

一般对外（业务）提供数据访问，大致上包含如下方面：

离线：好比，天天将前一天的数据提供到指定的数据源（DB、FILE、FTP）等；离线数据的提供能够采用Sqoop、DataX等离线数据交换工具。
实时：好比，在线网站的推荐系统，须要实时从数据平台中获取给用户的推荐数据，这种要求延时很是低（50毫秒之内）。
根据延时要求和实时数据的查询须要，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愈来愈高，可能的方案有：Impala、Presto、SparkSQL、Kylin。若是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，通常很难创建通用的数据模型，所以可能的方案有：Impala、Presto、SparkSQL。

这么多比较成熟的框架和方案，须要结合本身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。

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。数学专业毕业的我很是惭愧，很后悔当时没有好好学数学。

在咱们的业务中，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，能够把机器学习部分也加进你的“大数据平台”了。