<tbody id='lptn2ize'></tbody>

<small id='llehov5v'></small><noframes id='22j98uc3'>

    1. <legend id='ai5etqf3'><style id='f15rv8b3'><dir id='m740r12b'><q id='c7elo8vd'></q></dir></style></legend>

      <i id='bj6r7ou7'><tr id='wk1956h7'><dt id='x1tmq3bu'><q id='vowj83c6'><span id='epqzb475'><b id='827bgmoz'><form id='bg0fgkfw'><ins id='vyw0hnxs'></ins><ul id='mfij3x7v'></ul><sub id='rxyjpsni'></sub></form><legend id='wxz1ga3p'></legend><bdo id='yyat412k'><pre id='0o3d6e32'><center id='iojkoegr'></center></pre></bdo></b><th id='yfdu4z37'></th></span></q></dt></tr></i><div id='wifxsk7i'><tfoot id='3p4ps9c2'></tfoot><dl id='874cesqc'><fieldset id='5moqu7wr'></fieldset></dl></div>
      <tfoot id='lkbzc43g'></tfoot>
      • 做网站,做维信公众号开发,做小程序商城公司客服电话
        当前位置:湖北东猎信息技术有限公司 > 知识普及 > 网站开发教程 >

        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:
           
        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。
        大数据开发初学者学习路线

        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。
        黄冈做微信公众号、网站建设、小程序商城开发-找湖北东猎信息技术有限公司

        地址:黄冈互联网产业园B3-13、16
        Copyright © 湖北东猎信息技术有限公司 版权所有