最值得参阅的大数据的技术图谱

青旅半醒 2022-05-29 20:47 182阅读 0赞

很多人都知道大数据很火，就业很好，薪资很高，想往大数据方向发展。但该学哪些技术，学习路线是什么样的呢?如果你对此很迷茫，那么下面就分享下如何进行系统的学习。

现在大数据有三个发展方向：

*   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

**目录**

0.前言

1.初识Hadoop

2.SQL On Hadoop之Hive

3.数据采集到Hadoop

4.Hadoop结果集提取

5.更快的SQL

6.一次采集多次消费

7.任务调度系统

8.实时计算

9.数据要对外

10.高逼格的机器学习

--------------------

# 0.前言 #

先说一下大数据的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，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

![20180307162135354][]

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。那下面将围绕着第二个方向(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。

# 1.初识Hadoop #

1.1 参考资料首选官方文档  
1.2 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.  
1.3 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。  
1.4 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;  
1.5 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。

# 2.SQL On Hadoop之Hive #

2.1 什么数据仓库工具  
　　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。  
2.2 安装配置Hive  
　　请参考Hive的安装配置。可以正常进入Hive命令行。  
2.3 试试使用Hive  
　　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。  
2.4 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?  
2.5 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api，学习更多关于Hive的语法和命令。  
　　1.0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?

# 3.数据采集到Hadoop #

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。

# 4.Hadoop结果集提取 #

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  
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。

# 5.更快的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。

# 6.一次采集多次消费 #

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。

# 7.任务调度系统 #

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：  
　　https://azkaban.github.io/  
　　light-task-scheduler：  
　　https://github.com/ltsopensource/light-task-scheduler  
　　Zeus：  
　　https://github.com/alibaba/zeus  
　　等等……

# 8.实时计算 #

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。

# 9.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。

# 10.高逼格的机器学习 #

这一块简单介绍一下吧，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。当然，你如果想更快掌握大数据，可以了解大讲台主推的大数据培训相关课程，不会让你失望的。![82970127][]

[20180307162135354]: /images/20220530/dc5966e497bb41059e60658fa7abf179.png
[82970127]: /images/20220530/254b50d007944b1aac151501f65d92e5.png