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,再列举一些常见的:
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。
推荐一个大数据学习群 142974151每天晚上20:10都有一节【免费的】大数据直播课程,专注大数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是纯干货分享,
推荐第二个方向(开发/设计/架构),因为这个方向容易找工作,下面给大家具体讲解一下。
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。
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。
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。
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.
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。
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。
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。
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
1. oozie是什么?有哪些功能?
2. oozie可以调度哪些类型的任务(程序)?
3. oozie可以支持哪些任务触发方式?
4. 安装配置oozie。
7.2 其他开源的任务调度系统
azkaban:
light-task-scheduler:
zeus:
等等……
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
1. 什么是storm?有哪些可能的应用场景?
2. storm由哪些核心组件构成,各自担任什么角色?
3. storm的简单安装和部署。
4. 自己编写demo程序,使用storm完成实时数据流计算。
8.2 spark streaming
1. 什么是spark streaming,它和spark是什么关系?
2. spark streaming和storm比较,各有什么优缺点?
3. 使用kafka + spark streaming,完成实时计算的demo程序。
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。
第十章:逼格高的机器学习
关于这块,只是简单介绍一下了。
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;