大数据入门学习路线

现阶段大数据如火如荼，很多人想要学习大数据，但是却不了解大数据，也不知道该从哪开始学起的同学，希望这篇文章能够帮到你们。 
 

1. linux基础和javase基础【包含mysql】

这些是基本功，刚开始也不可能学的很精通，最起码要对linux中的一些基本的命令混个脸熟，后面学习各种框架的时候都会用到，用多了就熟悉了。javase的话建议主要看面向对象，集合，io，多线程，以及jdbc操作即可。mysql的话要熟悉最基础的增删改查。 
 

2. zookeeper

zookeeper是一个分布式应用程序协服务，一般为分布式应用提供一致性服务，提供的功能包括：配置维护、域名服务、分布式同步、组服务等。中文名称是动物园的意思，因为目前的大数据框架的图标很多都是动物的形状，所以zookeeper其实就是可以管理很多大数据框架的。针对这个框架，主要掌握如何搭建单节点和集群，以及掌握如何在zkcli客户端下对zookeeper的节点进行增删改查操作即可。想要深入的话可以研究一下zookeeper的paxos算法。 
 

3. hadoop

目前企业中一般都是用hadoop2.x的版本了，所以就没有必要再去学hadoop1.x版本了，hadoop2.x主要包含三大块：

hdfs 先学hdfs的架构，如何实现高可用等，接着主要学习hdfs的一些命令即可，上传，下载，删除，移动，查看等命令…
mapreduce 这个需要重点学习下，要理解mr的原理以及代码实现，虽然现在工作中真正写mr的代码次数很少了（大部分用hive），但是原理还是要理解的。
yarn 前期了解即可，只需要知道yarn是一个资源调度平台，主要负责给任务分配资源即可，yarn不仅可以给mapreduce任务调度资源，还可以为spark任务调度资源…yarn是一个公共的资源调度平台，所有满足条件的框架都可以使用yarn来进行资源调度。 
 
4. hive

hive是一个数据仓库，所有的数据都是存储在hdfs上的，具体【数据仓库和数据库】的区别大家可以去网上搜索一下，有很多介绍。其实如果对mysql的使用比较熟悉的话，使用hive也就简单很多了，使用hive主要是写hql，hql是hive的sql语言，非常类似于mysql数据库的sql，后续学习hive的时候主要理解一些hive的语法特性即可。其实hive在执行hql，底层在执行的时候还是执行的mapredce程序。 
注意：其实hive本身是很强大的，数据仓库的设计在工作中也是很重要的，但是前期学习的时候，主要先学会如何使用就好了。后期可以好好研究一下hive。 
 

5. hbase

hbase是一个在国内很火的nosql 数据库，是一个key-value类型的数据库，底层的数据存储在hdfs上。在学习hbase的时候主要掌握 row-key的设计，以及列簇的设计。要注意一个特点就是，hbase基于rowkey查询效率很快，可以达到秒级查询，但是基于列簇中的列进行查询，特别是组合查询的时候，如果数据量很大的话，查询性能会很差。 
 

离线项目练手

通常学到这里就可以找一两个离线项目练练手了，把上面学习的知识都串一下，加深理解，让自己对于各个组件之间的配合使用有一个总体的了解（这点非常重要）。关于这种项目网上、淘宝上有很多资源。 
 

6. redis

redis也是一个nosql 数据库和key-value类型的数据库，但是这个数据库是纯基于内存的，也就是redis数据库中的数据都是存储在内存中的，所以它的一个特点就是适用于快速读写的应用场景，读写可以达到10w次/秒，但是不适合存储海量数据，毕竟机器的内存是有限的，当然，redis也支持集群，也可以存储大量数据。在学习redis的时候主要掌握string，list，set，sortedset，hashmap这几种数据类型的区别以及使用，还有pipeline管道，这个在批量入库数据的时候是非常有用的，以及transaction事务功能。 
 

7. flume

flume是一个日志采集工具，这个还是比较常用的，最常见的就是采集应用产生的日志文件中的数据。一般有两个流程，一个是flume采集数据存储到kafka中，为了后面使用storm或者sparkstreaming进行实时处理。另一个流程是flume采集的数据落盘到hdfs上，为了后期使用hadoop或者spark进行离线处理。在学习flume的时候其实主要就是学会看flume官网的文档，学习各种组建的配置参数，因为使用flume就是写各种的配置。 
 

8. kafka

kafka 是一个非常优秀的消息队列，几乎所有做大数据的公司都会使用到kafka，在工作中常用于作为一个中间缓冲层，例如，flume->kafka->storm/sparkstreaming。学习kafka主要掌握topic，partition，replicate等的概念和原理。如果有时间的话可以好好研究kafka的源码，相当重要！ 
 

9. scala

scala是一门基于jvm的编程语言，不仅支持面向对象编程，而且还支持面向过程，具备了java的所有特性，同时自己还支持强大的函数式编程，spark和kafka都是使用scala编写，这也是我们需要学习它的一大原因，因为想要深入理解spark和kafka，必须要剖析其源码。可以预见未来scala语言将在大数据领域大放光彩。 
 

10. spark

spark 经过前几年的迅速发展，如今已经成了很多企业的首选大数据计算框架，也发展成了一个生态圈，spark里面包含很多技术，spark core，spark steaming，spark mlib，spark graphx。 
spark生态圈里面包含的有离线处理spark core，和实时处理spark streaming，在这里需要注意一下，storm和spark streaming ，两个都是实时处理框架，但是主要区别是：storm是真正的一条一条的处理，而spark streaming 是一批一批的处理。 
spark中包含很多框架，在刚开始学习的时候主要学习spark core和spark streaming即可。这个一般搞大数据的都会用到。有时间的话可以好好读读spark的源码，提升自己的理解深度。spark mlib和spark graphx 可以等后期工作需要或者有时间了在研究即可。

 

spark项目练手

spark学习完后一定要找几个项目练手，最好是一个离线项目一个实时项目，好让你对于整个开发流程有了一定的认识。

至此你应该具备了作为初级大数据开发工程师的水平，开始找工作去吧！

注意：对于上面的各项技术而言，要挑一到两个深入剖析其核心原理，研读其源码，这样在面试中会更有竞争力。

 

其他技能推荐

git & github

git对于程序员来说绝对是一门利器，不仅可以方便管理自己的代码，而且还可以进行多人协助开发，早学早受用！
github也是个好东西啊，这上面有很多很多优秀的开源项目，还有很多你意想不到的实用软件和资料，是程序员的大宝藏啊，你可以为上面的开源项目贡献自己的代码，也可以创建上传自己的项目代码，这都是以后面试中的加分项。把刷朋友圈的时间用来刷github吧，相信你会发现另一个世界。 

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。

markdown

markdown是一种可以使用普通文本编辑器编写的标记语言，通过简单的标记语法，它可以使普通文本内容具有一定的格式。使用了markdown后你再不需要为文章的样式而耗费时间了，专注于内容的创作，不得不说markdown让我爱上了写作。

手机免打扰

咋一看你估计有点蒙，但确实这是一项非常有用的技能，在学习的时候把手机开启免打扰，什么微信、短信、电话（列个白名单）统统屏蔽，一个不容易受打扰的环境，瞬间学习效率提升了好几倍，你最宝贵的东西就是你的注意力，不要让他轻易的被他人收割！