大数据学习方向，从入门到精通

良多初学者在萌生向大数据标的目的生长的设法之后，不免产生一些疑问，应该若何入门？应该进修哪些手艺？进修道路又是什么？

所有萌生入行的设法与想要进修Java的同窗的初志是一样的。岗位很是火，就业薪资斗劲高,，前景很是可不雅观不雅观。根基都是这个缘故缘由而神驰大数据，可是对大数据却不甚体味。

若是你想进修，那么首先你必要学会编程，其次你必要把握数学，统计学的知识，末了交融应用，就可以想在数据标的目的生长，笼统来说，就是如许的。可是仅仅如许并没有什么辅佐。大数据学习扣扣群：一九九427210

如今你必要问本身几个问题：

• 对付计较机/软件，你的乐趣是什么？

• 是计较机专业，对把持体系、硬件、搜集、办事器感乐趣？

• 是软件专业，对软件开发、编程、写代码感乐趣？

• 仍是数学、统计学专业，对数据和数字特别感乐趣。

• 你本身的专业又是什么？

若是你是金融专业，你可以进修，由于这连系起来你本身的专业，将让你在只需你专业知识的竞争者之中脱颖而出，现实了局如今AI+已经涉及到金融行业了。

说了这么多，无非就是想告诉你，大数据的三个大的生长标的目的：

• 平台搭建/优化/运维/监控；

• 大数据开发/ 设计/ 架构；

• 数据分析/发掘。

请不要问我哪个随意，只能说能挣钱的都不简单。

说一下大数据的四个典范的特征：

• 数据量大；

• 数据类型繁多，（构造化、非构造化文本、日志、视频、图片、地舆位置等）；

• 商业价值高，但必要在海量数据之上，经由过程数据分析与机械进修快速的发掘出来；

• 措置时效性高，海量数据的措置需求不再局限在离线计较傍边。

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

• 日志搜集：Flume、Scribe、Logstash、Kibana

• 消息体系：Kafka、StormMQ、ZeroMQ、RabbitMQ

• 查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

• 分布式和谐办事：Zookeeper

• 集群办理与监控：Ambari、Ganglia、Nagios、Cloudera Manager

• 数据发掘、机械进修：Mahout、Spark MLLib

• 数据同步：Sqoop

• 使命调度：Oozie

是不是目炫缭乱了，上面的这些内容，别谈精晓了，就算全数都市使用的，应该也没几个。我们接下来就大数据开发/ 设计/ 架构标的目的来体味一下进修道路。

在接下的进修中，非论碰着什么问题，先试试搜索并本身处理。Google首选，其次百度。

于入门者而言，官方文档永久是首选文档。

第一章：Hadoop

在大数据存储和计较中Hadoop可以算是开山开山祖师，如今大多开源的大数据框架都依靠Hadoop或者与它能很好的兼容。

关于Hadoop，你至少必要搞清楚这些是什么：

• Hadoop 1.0、Hadoop 2.0

• MapReduce、HDFS

• NameNode、DataNode

• JobTracker、TaskTracker

• Yarn、ResourceManager、NodeManager

本身学会若何搭建Hadoop，先让它跑起来。建议先使用安装包呼吁行安装，不要使用办理工具安装。如今都用Hadoop 2.0。

HDFS目录把持呼吁；上传、下载文件呼吁；提交运转MapReduce示例轨范；翻开Hadoop WEB界面，检察Job运转状态，检察Job运转日志。晓得Hadoop的体系日志在哪里。

以上完成之后，就应该去体味他们的事理了：

MapReduce：若何分而治之；HDFS：数据到底在哪里，现实什么才是副本；

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；

若是有适宜的进修网站，视频就去听课，若是没有或者斗劲爱好书籍，也可以啃书。固然最好的编制是先去搜索出来这些是干什么的，概略有了概念之后，然后再去听视频。

之后便是本身探求一个例子：

本身写一个（照抄也行）WordCount轨范，

打包并提交到Hadoop运转。你不会Java？Shell、Python都可以，有个工具叫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

在这里，必定要进修SQL，它会对你的工作有很大的辅佐。

就像是你写（或者抄）的WordCount一共有几行代码？可是你用SQL就很是简单了，例如：

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

这便是SQL的魅力，编程必要几十行，甚至上百行代码，而SQL一行搞定；使用SQL措置分析Hadoop上的数据，便当、高效、易上手、更是趋向。非论是离线计较仍是实时计较，越来越多的大数据措置框架都在积极供给SQL接口。

别的就是SQL On Hadoop之Hive于大数据而言必定要进修的。

什么是Hive？

官方诠释如下：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是数据堆栈工具，而不是数据库工具呢？

有的伴侣可能不晓得数据堆栈，数据堆栈是逻辑上的概念，底层使用的是数据库，数据堆栈中的数据有这两个特点：最全的历史数据（海量）、相对不变的；所谓相对不变，指的是数据堆栈不合于业务体系数据库，数据经常会被更新，数据一旦进入数据堆栈，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，是以，Hive合适做海量数据的数据堆栈工具，而不是数据库工具。

体味了它的浸染之后，就是安装设置装备安排Hive的环节，当可以正常进入Hive呼吁行是，就是安装设置装备安排成功了。

体味Hive是怎样工作的

学会Hive的根基呼吁：

建树、删除表；加载数据到表；下载Hive表的数据；

MapReduce的事理（仍是阿谁经典的问题问题，一个10G巨细的文件，给定1G巨细的内存，若何使用Java轨范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轨范，运转出现问题，晓得在哪里检察日志；

会写简单的Select、Where、group by等SQL语句；

Hive SQL转换成MapReduce的大抵流程；

Hive中常见的语句：建树表、删除表、往表中加载数据、分区、将表中数据下载到本地；

从上面的进修，你已经体味到，HDFS是Hadoop供给的分布式存储框架，它可以用来存储海量数据，MapReduce是Hadoop供给的分布式计较框架，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供给了SQL接口，开发人员只必要编写简单易上手的SQL语句，Hive担任把SQL翻译成MapReduce，提交运转。

此时，你的”大数据平台”是如许的：那么问题来了，海量数据若何到HDFS上呢？

第三章：数据网罗

把各个数据源的数据网罗到Hadoop上。

3.1 HDFS PUT呼吁

这个在前面你应该已经使用过了。put呼吁在实际情形中也斗劲常用，通常配合shell、python等剧本说话来使用。建议谙练把握。

3.2 HDFS API

HDFS供给了写数据的API，本身用编程说话将数据写入HDFS，put呼吁本身也是使用API。

实际情形中一样平常本身较少编写轨范使用API来写数据到HDFS，通常都是使用其他框架封装好的编制。比如：Hive中的INSERT语句，Spark中的saveAsTextfile等。建议体味事理，会写Demo。

3.3 Sqoop

Sqoop是一个首要用于Hadoop/Hive与传统关系型数据库，Oracle、MySQL、SQLServer等之间停止数据交流的开源框架。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运转，完成Hadoop与其他数据库之间的数据交流。

本身下载和设置装备安排Sqoop（建议先使用Sqoop1，Sqoop2斗劲复杂）。体味Sqoop常用的设置装备安排参数和编制。

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；若是后续选型确定使用Sqoop作为数据交流工具，那么建议谙练把握，不然，体味和会用Demo即可。

3.4 Flume

Flume是一个分布式的海量日志网罗和传输框架，由于“网罗和传输框架”，所以它并不合适关系型数据库的数据网罗和传输。Flume可以实时的从搜集和谈、消息体系、文件体系网罗日志，并传输到HDFS上。

是以，若是你的业务有这些数据源的数据，并且必要实时的网罗，那么就应该考虑使用Flume。

下载和设置装备安排Flume。使用Flume监控一个不竭追加数据的文件，并将数据传输到HDFS；Flume的设置装备安排和使用较为复杂，若是你没有充足的乐趣和耐心，可以先跳过Flume。

3.5 阿里开源的DataX

之所以引见这个，是由于我们公司今朝使用的Hadoop与关系型数据库数据交流的工具，就是之前基于DataX开发的，很是好用。

可以参考我的博文《异构数据源海量数据交流工具-Taobao DataX 下载和使用》。如今DataX已经是3.0版本，支撑很多数据源。你也可以在其之上做二次开发。有乐趣的可以研究和使用一下，比力一下它与Sqoop。

第四章：把Hadoop上的数据搞到别处去

Hive和MapReduce停止分析了。那么接下来的问题是，分析完的成效若何从Hadoop上同步到其他体系和应用中去呢？其实，这里的编制和第三章根基同等的。

HDFS GET呼吁：把HDFS上的文件GET到本地。必要谙练把握。

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。

若是你已经按照流程认真完好的走了一遍，那么你应该已经具备以动手艺和知识点：

• 晓得若何把已有的数据网罗到HDFS上，网罗离线网罗和实时网罗；

• 晓得sqoop是HDFS和其他数据源之间的数据交流工具；

• 晓得flume可以用作实时的日志网罗。

• 已经面的进修，对付大数据平台，你已经把握的不少的知识和手艺，搭建Hadoop集群，把数据网罗到Hadoop上，使用Hive和MapReduce来分析数据，把分析成效同步到其他数据源。

接下来的问题来了，Hive使用的越来越多，你会创造良多不爽的地方，特别是速度慢，大多情形下，明明我的数据量很小，它都要申请资源，启动MapReduce来实行。

第五章：SQL

其实大师都已经创造Hive后台使用MapReduce作为实行引擎，其实是有点慢。是以SQL On Hadoop的框架越来越多，按我的体味，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，供给了SQL接口来快速查询分析Hadoop上的数据。

我们今朝使用的是SparkSQL，至于为什么用SparkSQL，缘故缘由概略有以下吧：使用Spark还做了其他工作，不想引入过多的框架；Impala对内存的需求太大，没有过多资源安排。

5.1 关于Spark和SparkSQL

• 什么是Spark，什么是SparkSQL。

• Spark有的焦点概念及名词诠释。

• 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 若何安排和运转SparkSQL

• Spark有哪些安排形式？

• 若安在Yarn上运转SparkSQL？

使用SparkSQL查询Hive中的表。Spark不是一门短时辰内就能把握的手艺，是以建议在体味了Spark之后，可以先从SparkSQL动手，按部就班。

关于Spark和SparkSQL，若是你认真完成了上面的进修和理论，此时，你的”大数据平台”应该是如许的。

第六章：数据屡次把持

请不要被这个名字所勾引。其实我想说的是数据的一次网罗、屡次斲丧。

在实际业务场景下，特别是对付一些监控日志，想即时的从日志中体味一些目标（关于实时计较，后面章节会有引见），这时辰，从HDFS上分析就太慢了，虽然是经由过程Flume网罗的，但Flume也不能间隔很短就往HDFS上滚动文件，如许会导致小文件特别多。

为了满够数据的一次网罗、屡次斲丧的需求，这里要说的便是Kafka。

关于Kafka：什么是Kafka？Kafka的焦点概念及名词诠释。

若何安排和使用Kafka：使用单机安排Kafka，并成功运转自带的消费者和斲丧者例子。使用Java轨范本身编写并运转消费者和斲丧者轨范。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进修和理论，此时，你的”大数据平台”应该是如许的。

这时，使用Flume网罗的数据，不是直接到HDFS上，而是先到Kafka，Kafka中的数据可以由多个斲丧者同时斲丧，其中一个斲丧者，就是将数据同步到HDFS。

若是你已经认真完好的进修了以上的内容，那么你应该已经具备以动手艺和知识点：

• 为什么Spark比MapReduce快。

• 使用SparkSQL庖代Hive，更快的运转SQL。

• 使用Kafka完成数据的一次搜集，屡次斲丧架构。

• 本身可以写轨范完成Kafka的消费者和斲丧者。

已经面的进修，你已经把握了大数据平台中的数据网罗、数据存储和计较、数据交流等大局部手艺，而这其中的每一步，都必要一个使命（轨范）来完成，各个使命之间又存在必定的依靠性，比如，必需等数据网罗使命成功完成后，数据计较使命才能起头运转。若是一个使命实行失败，必要给开发运维人员发送告警，同时必要供给完好的日志来便当查错。

第七章：越来越多的分析使命

不仅仅是分析使命，数据网罗、数据交流同样是一个个的使命。这些使命中，有的是按时触发，有点则必要依靠其他使命来触发。当平台中有几百上千个使命必要维护和运转时辰，仅仅靠crontab远远不够了，这时便必要一个调度监控体系来完成这件事。调度监控体系是整个数据平台的中枢体系，近似于AppMaster，担任分配和监控使命。

7.1 Apache Oozie

• Oozie是什么？有哪些功能？

• Oozie可以调度哪些类型的使命（轨范）？

• Oozie可以支撑哪些使命触发编制？

• 安装设置装备安排Oozie。

7.2 其他开源的使命调度体系

Azkaban，light-task-scheduler，Zeus，等等。别的，我这边是之前零丁开发的使命调度与监控体系，详细请参考《大数据平台使命调度与监控体系》。若是你认真完成了上面的进修和理论，此时，你的”大数据平台”应该是如许的：

第八章：我的数据要实时

在第六章引见Kafka的时辰提到了一些必要实时目标的业务场景，实时根基可以分为绝对实时和准实时，绝对实时的耽误要求一样平常在毫秒级，准实时的耽误要求一样平常在秒、分钟级。对付必要绝对实时的业务场景，用的斗劲多的是Storm，对付其他准实时的业务场景，可所以Storm，也可所以Spark Streaming。固然，若是可以的话，也可以本身写轨范来做。

8.1 Storm

• 什么是Storm？有哪些可能的应用场景？

• Storm由哪些焦点组件构成，各自担当什么脚色？

• Storm的简单安装和安排。

• 本身编写Demo轨范，使用Storm完成实时数据流计较。

8.2 Spark Streaming

• 什么是Spark Streaming，它和Spark是什么关系？

• Spark Streaming和Storm斗劲，各有什么优错误错误？

• 使用Kafka + Spark Streaming，完成实时计较的Demo轨范。

至此，你的大数据平台底层架构已经成型了，其中网罗了数据网罗、数据存储与计较（离线和实时）、数据同步、使命调度与监控这几大模块。接下来是时辰考虑若何更好的对外供给数据了。

第九章：数据要对外

通常对外（业务）供给数据访谒，大要上包含以下方面。

• 离线：比如，天天将前一天的数据供给到指定的数据源（DB、FILE、FTP）等；离线数据的供给可以接纳Sqoop、DataX等离线数据交流工具。

• 实时：比如，在线网站的保举体系，必要实时从数据平台中获取给用户的保举数据，这种要求延时很是低（50毫秒以内）。按照延时要乞降实时数据的查询必要，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子斗劲标准，别的，对查询的相应速度要求也越来越高，可能的方案有：Impala、Presto、SparkSQL、Kylin。若是你的数据模子斗劲规模，那么Kylin是最好的选择。

• 即席查询：即席查询的数据斗劲随意，一样平常很难建立通用的数据模子，是以可能的方案有：Impala、Presto、SparkSQL。

这么多斗劲成熟的框架和方案，必要连系本身的业务需求及数据平台手艺架构，选择适宜的。准绳只需一个：越简单越不变的，就是最好的。

若是你已经把握了若何很好的对外（业务）供给数据，那么你的“大数据平台”应该是如许的：

第十章：牛逼高峻上的机械进修

关于这块，也只能是简单引见一下了，研究不深切。在业务中，碰着的能用机械进修处理的问题概略这么三类：

• 分类问题：网罗二分类和多分类，二分类就是处理了预测的问题，就像预测一封邮件是否垃圾邮件；多分类处理的是文本的分类；

• 聚类问题：从用户搜索过的关头词，对用户停止概略的归类。

• 保举问题：按照用户的历史阅读和点击举动停止相干保举。

大多数行业，使用机械进修处理的也就是这几类问题。

入门进修线路，数学根本；机械进修实战，懂Python最好；SparkMlLib供给了一些封装好的算法，以及特征措置、特征选择的编制。

机械进修确实牛逼高峻上，也是我进修的方针。那么，可以把机械进修局部也加进你的“大数据平台”了。

预备好接收大数据了吗？起头进修吧，进步手艺，进步焦点竞争力。也给本身的将来一个机缘。