大数据基础学习路线（从零开始）

大数据已经火了很久了，一直想了解它学习它结果没时间，了解了一些资料，结合我自己的情况，整理了一个学习路线，。

学习路线

linux(shell,高并发架构,lucene,solr)

hadoop(hadoop,hdfs,mapreduce,yarn,hive,hbase,sqoop,zookeeper,flume)

机器学习(r,mahout)

storm(storm,kafka,redis)

spark(scala,spark,spark core,spark sql,spark streaming,spark mllib,spark graphx)

python(python,spark python)

云计算平台(docker,kvm,openstack)
我还是要推荐下我自己创建的大数据资料分享群142973723，这是大数据学习交流的地方，不管你是小白还是大牛，小编都欢迎，不定期分享干货，包括我整理的一份适合零基础学习大数据资料和入门教程。

名词解释

一、linux

lucene： 全文检索引擎的架构

solr： 基于lucene的全文搜索服务器，实现了可配置、可扩展并对查询性能进行了优化，并且提供了一个完善的功能管理界面。

二、hadoop

hadoop common

hdfs： 分布式存储系统，包含namenode，datanode。namenode：元数据，datanode。datanode：存数数据。

yarn： 可以理解为mapreduce的协调机制，本质就是hadoop的处理分析机制，分为resourcemanager nodemanager。

mapreduce： 软件框架，编写程序。

hive： 数据仓库 可以用sql查询，可以运行map/reduce程序。用来计算趋势或者网站日志，不应用于实时查询，需要很长时间返回结果。

hbase： 数据库。非常适合用来做大数据的实时查询。facebook用hbase存储消息数据并进行消息实时的分析

zookeeper： 针对大型分布式的可靠性协调系统。hadoop的分布式同步等靠zookeeper实现，例如多个namenode，active standby切换。

sqoop： 数据库相互转移，关系型数据库和hdfs相互转移

mahout： 可扩展的机器学习和数据挖掘库。用来做推荐挖掘，聚集，分类，频繁项集挖掘。

chukwa： 开源收集系统，监视大型分布式系统，建立在hdfs和map/reduce框架之上。显示、监视、分析结果。

ambari： 用于配置、管理和监视hadoop集群，基于web，界面友好。

二、cloudera

cloudera manager： 管理 监控 诊断 集成

cloudera cdh：(cloudera's distribution，including apache hadoop) cloudera对hadoop做了相应的改变，发行版本称为cdh。

cloudera flume： 日志收集系统，支持在日志系统中定制各类数据发送方，用来收集数据。

cloudera impala： 对存储在apache hadoop的hdfs，hbase的数据提供直接查询互动的sql。

cloudera hue： web管理器，包括hue ui，hui server，hui db。hue提供所有cdh组件的shell界面的接口，可以在hue编写mr。

三、机器学习/r

r： 用于统计分析、绘图的语言和操作环境，目前有hadoop-r

mahout： 提供可扩展的机器学习领域经典算法的实现，包括聚类、分类、推荐过滤、频繁子项挖掘等，且可通过hadoop扩展到云中。

四、storm

storm： 分布式，容错的实时流式计算系统，可以用作实时分析，在线机器学习，信息流处理，连续性计算，分布式rpc，实时处理消息并更新数据库。

kafka： 高吞吐量的分布式发布订阅消息系统，可以处理消费者规模的网站中的所有动作流数据（浏览，搜索等）。相对hadoop的日志数据和离线分析，可以实现实时处理。目前通过hadoop的并行加载机制来统一线上和离线的消息处理

redis： 由c语言编写，支持网络、可基于内存亦可持久化的日志型、key-value型数据库。

五、spark

scala： 一种类似java的完全面向对象的编程语言。

spark： spark是在scala语言中实现的类似于hadoop mapreduce的通用并行框架，除了hadoop mapreduce所具有的优点，但不同于mapreduce的是job中间输出结果可以保存在内存中，从而不需要读写hdfs，因此spark能更好的适用于数据挖掘与机器学习等需要迭代的mapreduce算法。可以和hadoop文件系统并行运作，用过mesos的第三方集群框架可以支持此行为。

spark sql：

spark streaming： 一种构建在spark上的实时计算框架，扩展了spark处理大数据流式数据的能力。

spark mllib： mllib是spark是常用的机器学习算法的实现库，目前(2014.05)支持二元分类，回归，聚类以及协同过滤。同时也包括一个底层的梯度下降优化基础算法。mllib以来jblas线性代数库，jblas本身以来远程的fortran程序。

spark graphx： graphx是spark中用于图和图并行计算的api，可以在spark之上提供一站式数据解决方案，可以方便且高效地完成图计算的一整套流水作业。

jblas： 一个快速的线性代数库（java）。基于blas与lapack，矩阵计算实际的行业标准，并使用先进的基础设施等所有的计算程序的atlas艺术的实现，使其非常快。

fortran： 最早出现的计算机高级程序设计语言，广泛应用于科学和工程计算领域。

blas： 基础线性代数子程序库，拥有大量已经编写好的关于线性代数运算的程序。

lapack： 著名的公开软件，包含了求解科学与工程计算中最常见的数值线性代数问题，如求解线性方程组、线性最小二乘问题、特征值问题和奇异值问题等。

atlas： blas线性算法库的优化版本。

spark python： spark是由scala语言编写的，但是为了推广和兼容，提供了java和python接口。

六、python

python: 一种面向对象的、解释型计算机程序设计语言。

七、云计算平台

docker： 开源的应用容器引擎
kvm： (keyboard video mouse)
openstack： 开源的云计算管理平台项目