大话大数据（一）

大数据的4V特征：

1. 数据量大，TB->PB
2. 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；
3. 商业价值高，可是这种价值须要在海量数据之上，经过数据分析与机器学习更快速的挖掘出来；
4. 处理时效性高，海量数据的处理需求再也不局限在离线计算当中。

 

现现在，正式为了应对大数据的这几个特色，开源的大数据框架愈来愈多，愈来愈强，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、S四、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，所有都会使用的，估计也没几个。
就我我的而言，主要经验是在第二个方向（开发/设计/架构），且听听个人建议吧。

第一章：初识Hadoop

1.1 学会百度与Google

不论遇到什么问题，先试试搜索并本身解决。
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

特别是对于入门来讲，官方文档永远是首选文档。
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。

1.3 先让Hadoop跑起来

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。

关于Hadoop,你至少须要搞清楚如下是什么：

1. Hadoop 1.0、Hadoop 2.0
2. MapReduce、HDFS
3. NameNode、DataNode
4. JobTracker、TaskTracker
5. 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.

1.4 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。

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；

1.6 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。

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？
若是不会，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。

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。

2.4 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。

2.5 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。

2.6 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？

2.7 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。