<small id='sv8sc1ro'></small><noframes id='o63m0s7n'>

    <tfoot id='h3vesgn9'></tfoot>
      <tbody id='84gmh3ua'></tbody>

    <i id='ry57dknn'><tr id='iqsbo18q'><dt id='cj2rtm5g'><q id='kvp33b7v'><span id='7gsjyohn'><b id='tvtpfj2k'><form id='79p3307f'><ins id='z3kpxc3r'></ins><ul id='vmocno0r'></ul><sub id='hldninhu'></sub></form><legend id='v2j2bxr7'></legend><bdo id='jkzmo72r'><pre id='04348rn5'><center id='fsdenb9e'></center></pre></bdo></b><th id='daxh26i3'></th></span></q></dt></tr></i><div id='qi5dalk7'><tfoot id='qk47oim2'></tfoot><dl id='bb0wx1d6'><fieldset id='680b738d'></fieldset></dl></div>
  • <legend id='uqpxoq9p'><style id='hvu3u83m'><dir id='6qf5subu'><q id='pa1qqzq0'></q></dir></style></legend>
      网站建设公司当前位置 : 网站建设公司 > 知识普及

      大数据开发初学者学习路线

      发布时间:2021-12-07 14:40   浏览次数:次   
      经常有初学者在博客和QQ问我,自己想往大数据方向发展,该学哪些技术,学习路线是什么样的,觉得大数据很火,就业很好,薪资很高。如果自己很迷茫,为了这些原因想往大数据方向发展,也可以,那么我就想问一下,你的专业是什么,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。。
       
      其实这就是想告诉你的大数据的三个发展方向,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,哪个前景好,哪个钱多。
       
      先扯一下大数据的4V特征:
       
      数据量大,TB->PB
       
      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,但是这种价值需要在海量数据之上,通过数据分析与机器学习更快速的挖掘出来;
       
      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,正式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:Hadoop HDFS、Tachyon、KFS
      离线计算:Hadoop MapReduce、Spark
      流式、实时计算:Storm、Spark Streaming、S4、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,全部都会使用的,估计也没几个。
       
      就我个人而言,主要经验是在第二个方向(开发/设计/架构),且听听我的建议吧。
       
      第一章:初识Hadoop
      1.1 学会百度与Google
       
      不论遇到什么问题,先试试搜索并自己解决。
       
      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
       
      特别是对于入门来说,官方文档永远是首选文档。
       
      相信搞这块的大多是文化人,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可以算是大数据存储和计算的开山鼻祖,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,你至少需要搞清楚以下是什么:
       
      Hadoop 1.0、Hadoop 2.0
       
      MapReduce、HDFS
       
      NameNode、DataNode
       
      JobTracker、TaskTracker
       
      Yarn、ResourceManager、NodeManager
       
      自己搭建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知道它就行了,现在都用Hadoop 2.0.
       
      1.4 试试使用Hadoop
       
      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。
       
      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到底是什么,它能干什么;
      NameNode到底在干些什么;
      ResourceManager到底在干些什么;
       
      1.6 自己写一个MapReduce程序
       
      请仿照WordCount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
      2.1 学点SQL吧
       
      你知道数据库吗?你会写SQL吗?
      如果不会,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?
       
      给你看看我的:
       
      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,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。
       
      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。
       
      2.4 安装配置Hive
       
      请参考1.1 和 1.2 完成Hive的安装配置。可以正常进入Hive命令行。
       
      2.5 试试使用Hive
       
      请参考1.1 和 1.2 ,在Hive中创建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是怎么工作的
       
      明明写的是SQL,为什么Hadoop WEB界面中看到的是MapReduce任务?
       
      2.7 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;
       
      请参考1.2,学习更多关于Hive的语法和命令。
       
      如果你已经按照《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,那么你应该已经具备以下技能和知识点:
       
      0和Hadoop2.0的区别;
       
      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:
      这里写图片描述
       
      那么问题来了,海量数据如何到HDFS上呢?
       
      第三章:把别处的数据搞到Hadoop上
      此处也可以叫做数据采集,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;
       
      PS: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;
       
      PS: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。
       
      PS:有兴趣的可以研究和使用一下,对比一下它与Sqoop。
       
      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:
      这里写图片描述
       
      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上之后,便可以使用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。
       
      4.1 HDFS GET命令
       
      把HDFS上的文件GET到本地。需要熟练掌握。
       
      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.
       
      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:
      这里写图片描述
       
      如果你已经按照《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;
       
      你已经知道sqoop(或者还有DataX)是HDFS和其他数据源之间的数据交换工具;
       
      你已经知道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:快一点吧,我的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。关于三者的比较,请参考1.1.
       
      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。
       
      PS: 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,可参考
       
      http://lxw1234.com/archives/category/spark
       
      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:
      这里写图片描述
       
      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、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。
       
      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:
      这里写图片描述
       
      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。
      <legend id='hevozs8c'><style id='l2j6ftik'><dir id='6ynza84l'><q id='jdj5dtci'></q></dir></style></legend>

      <tfoot id='3wvut4t6'></tfoot>

      <small id='6jrijyba'></small><noframes id='5fo1lpj4'>

          <tbody id='lxnumqyx'></tbody>
            <i id='gscw855a'><tr id='hhq3j3nj'><dt id='w8dt1j96'><q id='k9bjevzj'><span id='u7sijm6u'><b id='zuwnau3p'><form id='03foarrx'><ins id='zw1kcdn1'></ins><ul id='2x3g04ss'></ul><sub id='vthpd9ht'></sub></form><legend id='12vg2svn'></legend><bdo id='ppc47wky'><pre id='ani7ftbo'><center id='64wf1zrm'></center></pre></bdo></b><th id='n97buk5l'></th></span></q></dt></tr></i><div id='j8ra7zbh'><tfoot id='5250fo97'></tfoot><dl id='lw5tpvyu'><fieldset id='752bdl2u'></fieldset></dl></div>
          • 本文来源于网络,若有侵权请联系3449817223#qq.com,将在第一时间删除。

            下一篇公众号开发下一篇:没有了
            <i id='0nth3o3h'><tr id='jz6bu1to'><dt id='3kw438vl'><q id='g6oko43e'><span id='1xh79754'><b id='2eniame9'><form id='0wd9o8on'><ins id='t1dm8a1s'></ins><ul id='xd86laki'></ul><sub id='wow1ntih'></sub></form><legend id='hj6n6apr'></legend><bdo id='chzq8yiy'><pre id='x0wodgpd'><center id='tjazq4z3'></center></pre></bdo></b><th id='lweun3aa'></th></span></q></dt></tr></i><div id='twi0ha9i'><tfoot id='4f6xo1re'></tfoot><dl id='d1vfl3no'><fieldset id='8ld5bimq'></fieldset></dl></div>
          • <legend id='utvhywgb'><style id='wj7rflyc'><dir id='08f10jki'><q id='uil6r4uj'></q></dir></style></legend>

            <small id='q2esd787'></small><noframes id='bsq196i9'>

              • <tfoot id='zi9aam08'></tfoot>

                  <tbody id='sqvlc5r2'></tbody>