寫給大數據開發初學者的話 | 附教程

作者：佚名 2017-12-07 15:38:22

經常有初學者在博客和QQ問我，自己想往大數據方向發展，該學哪些技術，學習路線是什么樣的，覺得大數據很火，就業很好，薪資很高。如果自己很迷茫，為了這些原因想往大數據方向發展，也可以，那么我就想問一下，你的專業是什么，對于計算機/軟件，你的興趣是什么?

導讀：

***章：初識Hadoop
第二章：更高效的WordCount
第三章：把別處的數據搞到Hadoop上
第四章：把Hadoop上的數據搞到別處去
第五章：快一點吧，我的SQL
第六章：一夫多妻制
第七章：越來越多的分析任務
第八章：我的數據要實時
第九章：我的數據要對外
第十章：牛逼高大上的機器學習

經常有初學者在博客和QQ問我，自己想往大數據方向發展，該學哪些技術，學習路線是什么樣的，覺得大數據很火，就業很好，薪資很高。如果自己很迷茫，為了這些原因想往大數據方向發展，也可以，那么我就想問一下，你的專業是什么，對于計算機/軟件，你的興趣是什么?是計算機專業，對操作系統、硬件、網絡、服務器感興趣?是軟件專業，對軟件開發、編程、寫代碼感興趣?還是數學、統計學專業，對數據和數字特別感興趣。。

[[212533]]

其實這就是想告訴你的大數據的三個發展方向，平臺搭建/優化/運維/監控、大數據開發/設計/架構、數據分析/挖掘。請不要問我哪個容易，哪個前景好，哪個錢多。

先扯一下大數據的4V特征：

數據量大，TB->PB
數據類型繁多，結構化、非結構化文本、日志、視頻、圖片、地理位置等;
商業價值高，但是這種價值需要在海量數據之上，通過數據分析與機器學習更快速的挖掘出來;

處理時效性高，海量數據的處理需求不再局限在離線計算當中。

現如今，正式為了應對大數據的這幾個特點，開源的大數據框架越來越多，越來越強，先列舉一些常見的：

文件存儲：Hadoop HDFS、Tachyon、KFS
離線計算：Hadoop MapReduce、Spark
流式、實時計算：Storm、Spark Streaming、S4、Heron
K-V、NOSQL數據庫：HBase、Redis、MongoDB
資源管理：YARN、Mesos
日志收集：Flume、Scribe、Logstash、Kibana
消息系統：Kafka、StormMQ、ZeroMQ、RabbitMQ
查詢分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid
分布式協調服務：Zookeeper
集群管理與監控：Ambari、Ganglia、Nagios、Cloudera Manager
數據挖掘、機器學習：Mahout、Spark MLLib
數據同步：Sqoop
任務調度：Oozie
……

眼花了吧，上面的有30多種吧，別說精通了，全部都會使用的，估計也沒幾個。

就我個人而言，主要經驗是在第二個方向(開發/設計/架構)，且聽聽我的建議吧。

***章：初識Hadoop

1.1 學會百度與Google

不論遇到什么問題，先試試搜索并自己解決。

Google***，翻不過去的，就用百度吧。

1.2 參考資料***官方文檔

特別是對于入門來說，官方文檔永遠是***文檔。

相信搞這塊的大多是文化人，英文湊合就行，實在看不下去的，請參考***步。

1.3 先讓Hadoop跑起來

Hadoop可以算是大數據存儲和計算的開山鼻祖，現在大多開源的大數據框架都依賴Hadoop或者與它能很好的兼容。

關于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，請使用***步和第二步，能讓它跑起來就行。

建議先使用安裝包命令行安裝，不要使用管理工具安裝。

另外：Hadoop1.0知道它就行了，現在都用Hadoop 2.0.

1.4 試試使用Hadoop

HDFS目錄操作命令;
上傳、下載文件命令;
提交運行MapReduce示例程序;
打開Hadoop WEB界面，查看Job運行狀態，查看Job運行日志。

知道Hadoop的系統日志在哪里。

1.5 你該了解它們的原理了

MapReduce：如何分而治之;
HDFS：數據到底在哪里，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 自己寫一個MapReduce程序

請仿照WordCount例子，自己寫一個(照抄也行)WordCount程序，

打包并提交到Hadoop運行。

你不會Java?Shell、Python都可以，有個東西叫Hadoop Streaming。

如果你認真完成了以上幾步，恭喜你，你的一只腳已經進來了。

第二章：更高效的WordCount

2.1 學點SQL吧

你知道數據庫嗎?你會寫SQL嗎?

如果不會，請學點SQL吧。

2.2 SQL版WordCount

在1.6中，你寫(或者抄)的WordCount一共有幾行代碼?

給你看看我的:

SELECT word,COUNT(1) FROM wordcount GROUP BY word;

這便是SQL的魅力，編程需要幾十行，甚至上百行代碼，我這一句就搞定;使用SQL處理分析Hadoop上的數據，方便、高效、易上手、更是趨勢。不論是離線計算還是實時計算，越來越多的大數據處理框架都在積極提供SQL接口。

2.3 SQL On Hadoop之Hive

什么是Hive?官方給的解釋是：

The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax.

為什么說Hive是數據倉庫工具，而不是數據庫工具呢?有的朋友可能不知道數據倉庫，數據倉庫是邏輯上的概念，底層使用的是數據庫，數據倉庫中的數據有這兩個特點：最全的歷史數據(海量)、相對穩定的;所謂相對穩定，指的是數據倉庫不同于業務系統數據庫，數據經常會被更新，數據一旦進入數據倉庫，很少會被更新和刪除，只會被大量查詢。而Hive，也是具備這兩個特點，因此，Hive適合做海量數據的數據倉庫工具，而不是數據庫工具。

2.4 安裝配置Hive

請參考1.1 和 1.2 完成Hive的安裝配置。可以正常進入Hive命令行。

2.5 試試使用Hive

請參考1.1 和 1.2 ，在Hive中創建wordcount表，并運行2.2中的SQL語句。

在Hadoop WEB界面中找到剛才運行的SQL任務。

看SQL查詢結果是否和1.4中MapReduce中的結果一致。

2.6 Hive是怎么工作的

明明寫的是SQL，為什么Hadoop WEB界面中看到的是MapReduce任務?

2.7 學會Hive的基本命令

創建、刪除表;
加載數據到表;
下載Hive表的數據;
請參考1.2，學習更多關于Hive的語法和命令。

如果你已經按照《寫給大數據開發初學者的話》中***章和第二章的流程認真完整的走了一遍，那么你應該已經具備以下技能和知識點：

0和Hadoop2.0的區別;
MapReduce的原理(還是那個經典的題目，一個10G大小的文件，給定1G大小的內存，如何使用Java程序統計出現次數最多的10個單詞及次數);
HDFS讀寫數據的流程;向HDFS中PUT數據;從HDFS中下載數據;
自己會寫簡單的MapReduce程序，運行出現問題，知道在哪里查看日志;
會寫簡單的SELECT、WHERE、GROUP BY等SQL語句;
Hive SQL轉換成MapReduce的大致流程;
Hive中常見的語句：創建表、刪除表、往表中加載數據、分區、將表中數據下載到本地;

從上面的學習，你已經了解到，HDFS是Hadoop提供的分布式存儲框架，它可以用來存儲海量數據，MapReduce是Hadoop提供的分布式計算框架，它可以用來統計和分析HDFS上的海量數據，而Hive則是SQL On Hadoop，Hive提供了SQL接口，開發人員只需要編寫簡單易上手的SQL語句，Hive負責把SQL翻譯成MapReduce，提交運行。

此時，你的”大數據平臺”是這樣的：

那么問題來了，海量數據如何到HDFS上呢?

第三章：把別處的數據搞到Hadoop上

此處也可以叫做數據采集，把各個數據源的數據采集到Hadoop上。

3.1 HDFS PUT命令

這個在前面你應該已經使用過了。

put命令在實際環境中也比較常用，通常配合shell、python等腳本語言來使用。

建議熟練掌握。

3.2 HDFS API

HDFS提供了寫數據的API，自己用編程語言將數據寫入HDFS，put命令本身也是使用API。

實際環境中一般自己較少編寫程序使用API來寫數據到HDFS，通常都是使用其他框架封裝好的方法。比如：Hive中的INSERT語句，Spark中的saveAsTextfile等。

建議了解原理，會寫Demo。

3.3 Sqoop

Sqoop是一個主要用于Hadoop/Hive與傳統關系型數據庫Oracle/MySQL/SQLServer等之間進行數據交換的開源框架。

就像Hive把SQL翻譯成MapReduce一樣，Sqoop把你指定的參數翻譯成MapReduce，提交到Hadoop運行，完成Hadoop與其他數據庫之間的數據交換。

自己下載和配置Sqoop(建議先使用Sqoop1，Sqoop2比較復雜)。

了解Sqoop常用的配置參數和方法。
使用Sqoop完成從MySQL同步數據到HDFS;
使用Sqoop完成從MySQL同步數據到Hive表;

PS：如果后續選型確定使用Sqoop作為數據交換工具，那么建議熟練掌握，否則，了解和會用Demo即可。

3.4 Flume

Flume是一個分布式的海量日志采集和傳輸框架，因為“采集和傳輸框架”，所以它并不適合關系型數據庫的數據采集和傳輸。
Flume可以實時的從網絡協議、消息系統、文件系統采集日志，并傳輸到HDFS上。

因此，如果你的業務有這些數據源的數據，并且需要實時的采集，那么就應該考慮使用Flume。

下載和配置Flume。

使用Flume監控一個不斷追加數據的文件，并將數據傳輸到HDFS;

PS：Flume的配置和使用較為復雜，如果你沒有足夠的興趣和耐心，可以先跳過Flume。

3.5 阿里開源的DataX

之所以介紹這個，是因為我們公司目前使用的Hadoop與關系型數據庫數據交換的工具，就是之前基于DataX開發的，非常好用。

可以參考我的博文《異構數據源海量數據交換工具-Taobao DataX 下載和使用》。

現在DataX已經是3.0版本，支持很多數據源。

你也可以在其之上做二次開發。

PS：有興趣的可以研究和使用一下，對比一下它與Sqoop。

如果你認真完成了上面的學習和實踐，此時，你的”大數據平臺”應該是這樣的：

第四章：把Hadoop上的數據搞到別處去

前面介紹了如何把數據源的數據采集到Hadoop上，數據到Hadoop上之后，便可以使用Hive和MapReduce進行分析了。那么接下來的問題是，分析完的結果如何從Hadoop上同步到其他系統和應用中去呢?

其實，此處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。需要熟練掌握。

4.2 HDFS API

同3.2.

4.3 Sqoop

同3.3.

使用Sqoop完成將HDFS上的文件同步到MySQL;
使用Sqoop完成將Hive表中的數據同步到MySQL;

4.4 DataX

同3.5.

如果你認真完成了上面的學習和實踐，此時，你的”大數據平臺”應該是這樣的：

如果你已經按照《寫給大數據開發初學者的話2》中第三章和第四章的流程認真完整的走了一遍，那么你應該已經具備以下技能和知識點：

知道如何把已有的數據采集到HDFS上，包括離線采集和實時采集;
你已經知道sqoop(或者還有DataX)是HDFS和其他數據源之間的數據交換工具;
你已經知道flume可以用作實時的日志采集。

從前面的學習，對于大數據平臺，你已經掌握的不少的知識和技能，搭建Hadoop集群，把數據采集到Hadoop上，使用Hive和MapReduce來分析數據，把分析結果同步到其他數據源。

接下來的問題來了，Hive使用的越來越多，你會發現很多不爽的地方，特別是速度慢，大多情況下，明明我的數據量很小，它都要申請資源，啟動MapReduce來執行。

第五章：快一點吧，我的SQL

其實大家都已經發現Hive后臺使用MapReduce作為執行引擎，實在是有點慢。

因此SQL On Hadoop的框架越來越多，按我的了解，最常用的按照流行度依次為SparkSQL、Impala和Presto.

這三種框架基于半內存或者全內存，提供了SQL接口來快速查詢分析Hadoop上的數據。關于三者的比較，請參考1.1.

我們目前使用的是SparkSQL，至于為什么用SparkSQL，原因大概有以下吧：

使用Spark還做了其他事情，不想引入過多的框架;
Impala對內存的需求太大，沒有過多資源部署;

5.1 關于Spark和SparkSQL

什么是Spark，什么是SparkSQL。

Spark有的核心概念及名詞解釋。
SparkSQL和Spark是什么關系，SparkSQL和Hive是什么關系。
SparkSQL為什么比Hive跑的快。

5.2 如何部署和運行SparkSQL

Spark有哪些部署模式?
如何在Yarn上運行SparkSQL?
使用SparkSQL查詢Hive中的表。

PS: Spark不是一門短時間內就能掌握的技術，因此建議在了解了Spark之后，可以先從SparkSQL入手，循序漸進。

關于Spark和SparkSQL，可參考 http://lxw1234.com/archives/category/spark

如果你認真完成了上面的學習和實踐，此時，你的”大數據平臺”應該是這樣的：

第六章：一夫多妻制

請不要被這個名字所誘惑。其實我想說的是數據的一次采集、多次消費。

在實際業務場景下，特別是對于一些監控日志，想即時的從日志中了解一些指標(關于實時計算，后面章節會有介紹)，這時候，從HDFS上分析就太慢了，盡管是通過Flume采集的，但Flume也不能間隔很短就往HDFS上滾動文件，這樣會導致小文件特別多。

為了滿足數據的一次采集、多次消費的需求，這里要說的便是Kafka。

6.1 關于Kafka

什么是Kafka?

Kafka的核心概念及名詞解釋。

6.2 如何部署和使用Kafka

使用單機部署Kafka，并成功運行自帶的生產者和消費者例子。
使用Java程序自己編寫并運行生產者和消費者程序。
Flume和Kafka的集成，使用Flume監控日志，并將日志數據實時發送至Kafka。

如果你認真完成了上面的學習和實踐，此時，你的”大數據平臺”應該是這樣的：

這時，使用Flume采集的數據，不是直接到HDFS上，而是先到Kafka，Kafka中的數據可以由多個消費者同時消費，其中一個消費者，就是將數據同步到HDFS。

如果你已經按照《寫給大數據開發初學者的話3》中第五章和第六章的流程認真完整的走了一遍，那么你應該已經具備以下技能和知識點：

為什么Spark比MapReduce快。
使用SparkSQL代替Hive，更快的運行SQL。
使用Kafka完成數據的一次收集，多次消費架構。
自己可以寫程序完成Kafka的生產者和消費者。

從前面的學習，你已經掌握了大數據平臺中的數據采集、數據存儲和計算、數據交換等大部分技能，而這其中的每一步，都需要一個任務(程序)來完成，各個任務之間又存在一定的依賴性，比如，必須等數據采集任務成功完成后，數據計算任務才能開始運行。如果一個任務執行失敗，需要給開發運維人員發送告警，同時需要提供完整的日志來方便查錯。

第七章：越來越多的分析任務

不僅僅是分析任務，數據采集、數據交換同樣是一個個的任務。這些任務中，有的是定時觸發，有點則需要依賴其他任務來觸發。當平臺中有幾百上千個任務需要維護和運行時候，僅僅靠crontab遠遠不夠了，這時便需要一個調度監控系統來完成這件事。調度監控系統是整個數據平臺的中樞系統，類似于AppMaster，負責分配和監控任務。

7.1 Apache Oozie

Oozie是什么?有哪些功能?
Oozie可以調度哪些類型的任務(程序)?
Oozie可以支持哪些任務觸發方式?
安裝配置Oozie。

7.2 其他開源的任務調度系統

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，我這邊是之前單獨開發的任務調度與監控系統，具體請參考《大數據平臺任務調度與監控系統》.

如果你認真完成了上面的學習和實踐，此時，你的”大數據平臺”應該是這樣的：

第八章：我的數據要實時

在第六章介紹Kafka的時候提到了一些需要實時指標的業務場景，實時基本可以分為絕對實時和準實時，絕對實時的延遲要求一般在毫秒級，準實時的延遲要求一般在秒、分鐘級。對于需要絕對實時的業務場景，用的比較多的是Storm，對于其他準實時的業務場景，可以是Storm，也可以是Spark Streaming。當然，如果可以的話，也可以自己寫程序來做。

8.1 Storm

什么是Storm?有哪些可能的應用場景?
Storm由哪些核心組件構成，各自擔任什么角色?
Storm的簡單安裝和部署。
自己編寫Demo程序，使用Storm完成實時數據流計算。

8.2 Spark Streaming

什么是Spark Streaming，它和Spark是什么關系?
Spark Streaming和Storm比較，各有什么優缺點?
使用Kafka + Spark Streaming，完成實時計算的Demo程序。

如果你認真完成了上面的學習和實踐，此時，你的”大數據平臺”應該是這樣的：

至此，你的大數據平臺底層架構已經成型了，其中包括了數據采集、數據存儲與計算(離線和實時)、數據同步、任務調度與監控這幾大模塊。接下來是時候考慮如何更好的對外提供數據了。

第九章：我的數據要對外

通常對外(業務)提供數據訪問，大體上包含以下方面：

離線：比如，每天將前一天的數據提供到指定的數據源(DB、FILE、FTP)等;離線數據的提供可以采用Sqoop、DataX等離線數據交換工具。
實時：比如，在線網站的推薦系統，需要實時從數據平臺中獲取給用戶的推薦數據，這種要求延時非常低(50毫秒以內)。
根據延時要求和實時數據的查詢需要，可能的方案有：HBase、Redis、MongoDB、ElasticSearch等。
OLAP分析：OLAP除了要求底層的數據模型比較規范，另外，對查詢的響應速度要求也越來越高，可能的方案有：Impala、Presto、SparkSQL、Kylin。如果你的數據模型比較規模，那么Kylin是***的選擇。
即席查詢：即席查詢的數據比較隨意，一般很難建立通用的數據模型，因此可能的方案有：Impala、Presto、SparkSQL。

這么多比較成熟的框架和方案，需要結合自己的業務需求及數據平臺技術架構，選擇合適的。原則只有一個：越簡單越穩定的，就是***的。

如果你已經掌握了如何很好的對外(業務)提供數據，那么你的“大數據平臺”應該是這樣的：

第十章：牛逼高大上的機器學習

關于這塊，我這個門外漢也只能是簡單介紹一下了。數學專業畢業的我非常慚愧，很后悔當時沒有好好學數學。

在我們的業務中，遇到的能用機器學習解決的問題大概這么三類：

分類問題：包括二分類和多分類，二分類就是解決了預測的問題，就像預測一封郵件是否垃圾郵件;多分類解決的是文本的分類;
聚類問題：從用戶搜索過的關鍵詞，對用戶進行大概的歸類。
推薦問題：根據用戶的歷史瀏覽和點擊行為進行相關推薦。

大多數行業，使用機器學習解決的，也就是這幾類問題。

入門學習線路：
數學基礎;
機器學習實戰(Machine Learning in Action)，懂Python***;
SparkMlLib提供了一些封裝好的算法，以及特征處理、特征選擇的方法。

機器學習確實牛逼高大上，也是我學習的目標。

那么，可以把機器學習部分也加進你的“大數據平臺”了。

責任編輯：未麗燕來源： 36大數據