大数据技术学习路线

原文地址：大数据技术学习路线

博客地址：http://www.moonxy.com

1、前言

大数据（big data），指没法在必定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是须要新处理模式才能具备更强的决策力、洞察发现力和流程优化能力的海量、高增加率和多样化的信息资产。

在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样捷径，而采用全部数据进行分析处理。大数据的 5V 特色（IBM 提出）：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。

那么，大数据处理技术怎么学习呢?

2、两大基础

首先咱们要学习 Python 语言和 Linux 操做系统，这两个是学习大数据的基础，学习的顺序不分前后。

Python：Python 的排名从去年开始就借助人工智能持续上升，如今它已经成为了语言排行第一名，你也能够学习 Java，由于 Hadoop 是用 Java 语言开发的，Sprark 是用基于 JVM 的 Scala 语言开发的，固然他们也提供了其余语言调用的接口，好比 Python。相对来讲，Python 比 Java 好入门，语法功能也没有 Java 多，容易掌握。从学习难易度来看，做为一个为 "优雅" 而生的语言，Python 语法简捷而清晰，对底层作了很好的封装，是一种很容易上手的高级语言。在一些习惯于底层程序开发的 "硬核" 程序员眼里，Python 简直就是一种 "伪代码"。

在大数据和数据科学领域，Python 几乎是万能的，任何集群架构软件都支持 Python，Python 也有很丰富的数据科学库，因此 Python 不得不学。

Linux：由于大数据相关软件都是在Linux上运行的，因此Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩不少坑，学会 shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对之后新出的大数据技术学习起来更快。

说完基础了，再说说还须要学习哪些大数据技术，能够按我写的顺序学下去。

3、大数据技术栈

Hadoop：这是如今流行的大数据处理平台几乎已经成为大数据的代名词，因此这个是必学的。Hadoop 里面包括几个组件 HDFS、MapReduce 和 YARN。HDFS 是存储数据的地方就像咱们电脑的硬盘同样文件都存储在这个上面，MapReduce 是对数据进行处理计算的，它有个特色就是无论多大的数据只要给它时间它就能把数据跑完，可是时间可能不是很快因此它叫数据的批处理。 YARN 是体现 Hadoop 平台概念的重要组件，有了它大数据生态体系的其它软件就能在 hadoop 上运行了，这样就能更好的利用 HDFS 大存储的优点和节省更多的资源好比咱们就不用再单独建一个 spark 的集群了，让它直接跑在现有的 hadoop yarn 上面就能够了。其实把 Hadoop 的这些组件学明白你就能作大数据的处理了，只不过你如今还可能对 "大数据" 到底有多大尚未个太清楚的概念，听个人别纠结这个。等之后你工做了就会有不少场景遇到几十T/几百 TB 大规模的数据，到时候你就不会以为数据大真好，越大越有你头疼的。固然别怕处理这么大规模的数据，由于这是你的价值所在，让那些个搞 JavaEE 的 php 的 html5 的和 DBA 的羡慕去吧。

记住学到这里能够做为你学大数据的一个节点。

Zookeeper：这是个万金油，安装 Hadoop 的 HA 的时候就会用到它，之后的 Hbase 也会用到它。它通常用来存放一些相互协做的信息，这些信息比较小通常不会超过 1M，都是使用它的软件对它有依赖，对于咱们我的来说只须要把它安装正确，让它正常的 run 起来就能够了。

Mysql：咱们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，由于一会装hive的时候要用到，mysql须要掌握到什么层度那?你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，建立数据库。这里主要的是学习SQL的语法，由于hive的语法和这个很是类似。

Sqoop：这个是用于把 Mysql 里的数据导入到 Hadoop 里的。固然你也能够不用这个，直接把 Mysql 数据表导出成文件再放到 HDFS 上也是同样的，固然生产环境中使用要注意 Mysql 的压力。

Hive：这个东西对于会 SQL 语法的来讲就是神器，它能让你处理大数据变的很简单，不会再费劲的编写 MapReduce 程序。有的人说 Pig 那? 它和 Pig 差很少掌握一个就能够了。

Oozie：既然学会 Hive 了，我相信你必定须要这个东西，它能够帮你管理你的 Hive 或者 MapReduce、Spark 脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你必定会喜欢上它的，否则你看着那一大堆脚本，和密密麻麻的 crond 是否是有种想屎的感受。

Hbase：这是 Hadoop 生态体系中的 NOSQL 数据库，他的数据是按照 key 和 value 的形式存储的而且 key 是惟一的，因此它能用来作数据的排重，它与 MYSQL 相比能存储的数据量大不少。因此他常被用于大数据处理完成以后的存储目的地。

Kafka：这是个比较好用的队列工具，队列是干嘛的? 排队买票你知道不? 数据多了一样也须要排队处理，这样与你协做的其它同窗不会叫起来，你干嘛给我这么多的数据（好比好几百 GB 的文件）我怎么处理得过来，你别怪他由于他不是搞大数据的，你能够跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了立刻灰流流的去优化他的程序去了，由于处理不过来就是他的事情。而不是你给的问题。固然咱们也能够利用这个工具来作线上实时数据的入库或入 HDFS，这时你能够与一个叫 Flume 的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各类数据接受方（好比 Kafka）的。

Spark：它是用来弥补基于 MapReduce 处理数据速度上的缺点，它的特色是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合作迭代运算，因此算法流们特别稀饭它。它是用 scala 编写的。Java 语言或者 Scala均可以操做它，由于它们都是用JVM 的。
会这些东西你就成为一个专业的大数据开发工程师了。

后续提升：大数据结合人工智能达到真正的数据科学家，打通了数据科学的任督二脉，在公司是技术专家级别，这时候月薪再次翻倍且成为公司核心骨干。

机器学习（Machine Learning，ML）：是一门多领域交叉学科，涉及几率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它是人工智能的核心，是使计算机具备智能的根本途径，其应用遍布人工智能的各个领域，它主要使用概括、综合而不是演绎。机器学习的算法基本比较固定了，学习起来相对容易。

深度学习（Deep Learning，DL）：深度学习的概念源于人工神经网络的研究，最近几年发展迅猛。深度学习应用的实例有 AlphaGo、人脸识别、图像检测等。是国内外稀缺人才，可是深度学习相对比较难，算法更新也比较快，须要跟随有经验的老师和使用专业的书籍去学习。

Hadoop 生态系统：

其对应的分层结构图：

Spark 生态系统：