电子商务网站建设实训体会,wordpress dedecms帝国,网站建设 手机和pc,如何做网站推广私人目录前言导读#xff1a;第一章#xff1a;初识Hadoop第二章#xff1a;更高效的WordCount第三章#xff1a;把别处的数据搞到Hadoop上第四章#xff1a;把Hadoop上的数据搞到别处去第五章#xff1a;快一点吧#xff0c;我的SQL第六章#xff1a;一夫多妻制第七章第一章初识Hadoop第二章更高效的WordCount第三章把别处的数据搞到Hadoop上第四章把Hadoop上的数据搞到别处去第五章快一点吧我的SQL第六章一夫多妻制第七章越来越多的分析任务第八章我的数据要实时第十章牛逼高大上的机器学习 目录
最近看到一篇很不错的文章献给正在学习大数据的你我他。如果能答出文章中大部分问题那么恭喜你已经从“小白”进化到“小菜鸟”的阶段。 转自http://www.ppvke.com/Blog/archives/50967
前言
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。
导读
第一章初识Hadoop
第二章更高效的WordCount
第三章把别处的数据搞到Hadoop上
第四章把Hadoop上的数据搞到别处去
第五章快一点吧我的SQL
第六章一夫多妻制
第七章越来越多的分析任务
第八章我的数据要实时
第九章我的数据要对外
第十章牛逼高大上的机器学习
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JavaShell、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 HadoopHive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
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HDFSput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Sqoop1Sqoop2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
PSFlume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
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
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
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
这时使用Flume采集的数据不是直接到HDFS上而是先到KafkaKafka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。
第七章越来越多的分析任务
不仅仅是分析任务数据采集、数据交换同样是一个个的任务。这些任务中有的是定时触发有点则需要依赖其他任务来触发。当平台中有几百上千个任务需要维护和运行时候仅仅靠crontab远远不够了这时便需要一个调度监控系统来完成这件事。调度监控系统是整个数据平台的中枢系统类似于AppMaster负责分配和监控任务。
7.1 Apache Oozie
Oozie是什么有哪些功能Oozie可以调度哪些类型的任务程序Oozie可以支持哪些任务触发方式安装配置Oozie。
7.2 其他开源的任务调度系统
Azkaban
https://azkaban.github.io/
light-task-scheduler
https://github.com/ltsopensource/light-task-scheduler
Zeus
https://github.com/alibaba/zeus
等等……
另外我这边是之前单独开发的任务调度与监控系统具体请参考《大数据平台任务调度与监控系统》.
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
第八章我的数据要实时
在第六章介绍Kafka的时候提到了一些需要实时指标的业务场景实时基本可以分为绝对实时和准实时绝对实时的延迟要求一般在毫秒级准实时的延迟要求一般在秒、分钟级。对于需要绝对实时的业务场景用的比较多的是Storm对于其他准实时的业务场景可以是Storm也可以是Spark Streaming。当然如果可以的话也可以自己写程序来做。
8.1 Storm
什么是Storm有哪些可能的应用场景
Storm由哪些核心组件构成各自担任什么角色
Storm的简单安装和部署。
自己编写Demo程序使用Storm完成实时数据流计算。
8.2 Spark Streaming
什么是Spark Streaming它和Spark是什么关系
Spark Streaming和Storm比较各有什么优缺点
使用Kafka Spark Streaming完成实时计算的Demo程序。
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
至此你的大数据平台底层架构已经成型了其中包括了数据采集、数据存储与计算离线和实时、数据同步、任务调度与监控这几大模块。接下来是时候考虑如何更好的对外提供数据了。第九章我的数据要对外
通常对外业务提供数据访问大体上包含以下方面
离线比如每天将前一天的数据提供到指定的数据源DB、FILE、FTP等离线数据的提供可以采用Sqoop、DataX等离线数据交换工具。
实时比如在线网站的推荐系统需要实时从数据平台中获取给用户的推荐数据这种要求延时非常低50毫秒以内。
根据延时要求和实时数据的查询需要可能的方案有HBase、Redis、MongoDB、ElasticSearch等。
OLAP分析OLAP除了要求底层的数据模型比较规范另外对查询的响应速度要求也越来越高可能的方案有Impala、Presto、SparkSQL、Kylin。如果你的数据模型比较规模那么Kylin是最好的选择。
即席查询即席查询的数据比较随意一般很难建立通用的数据模型因此可能的方案有Impala、Presto、SparkSQL。
这么多比较成熟的框架和方案需要结合自己的业务需求及数据平台技术架构选择合适的。原则只有一个越简单越稳定的就是最好的。
如果你已经掌握了如何很好的对外业务提供数据那么你的“大数据平台”应该是这样的
第十章牛逼高大上的机器学习
关于这块我这个门外汉也只能是简单介绍一下了。数学专业毕业的我非常惭愧很后悔当时没有好好学数学。
在我们的业务中遇到的能用机器学习解决的问题大概这么三类
分类问题包括二分类和多分类二分类就是解决了预测的问题就像预测一封邮件是否垃圾邮件多分类解决的是文本的分类
聚类问题从用户搜索过的关键词对用户进行大概的归类。
推荐问题根据用户的历史浏览和点击行为进行相关推荐。
大多数行业使用机器学习解决的也就是这几类问题。
入门学习线路
数学基础
机器学习实战Machine Learning in Action懂Python最好
SparkMlLib提供了一些封装好的算法以及特征处理、特征选择的方法。
机器学习确实牛逼高大上也是我学习的目标。
那么可以把机器学习部分也加进你的“大数据平台”了。 End.
的确一个初学者按照作者的建议一步步学下去如果能够答出文章中提出的大部分问题感觉已经算是入门了。大家一起学习一起在这个DT时代发挥我们的光和热。
