大数据初学者应该知道的知识

淩亂°似流年 2022-06-05 00:37 240阅读 0赞

原文:[http://lxw1234.com/archives/2016/11/779.htm][http_lxw1234.com_archives_2016_11_779.htm]  
**导读：**

*  第一章：初识[Hadoop][]
 *  第二章：更高效的WordCount
 *  第三章：把别处的数据搞到Hadoop上
 *  第四章：把Hadoop上的数据搞到别处去
 *  第五章：快一点吧，我的SQL
 *  第六章：一夫多妻制
 *  第七章：越来越多的分析任务
 *  第八章：我的数据要实时
 *  第九章：我的数据要对外
 *  第十章：牛逼高大上的机器学习

经常有初学者在博客和QQ问我，自己想往[大数据][Link 1]方向发展，该学哪些技术，学习路线是什么样的，觉得大数据很火，就业很好，薪资很高。如果自己很迷茫，为了这些原因想往大数据方向发展，也可以，那么我就想问一下，你的专业是什么，对于计算机/软件，你的兴趣是什么？是计算机专业，对操作系统、硬件、网络、服务器感兴趣？是软件专业，对软件开发、编程、写代码感兴趣？还是数学、统计学专业，对数据和数字特别感兴趣。。

其实这就是想告诉你的大数据的三个发展方向，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。请不要问我哪个容易，哪个前景好，哪个钱多。

**先扯一下大数据的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][Link 1]越来越多，越来越强，先列举一些常见的：

**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。

就我个人而言，主要经验是在第二个方向（开发/设计/架构），且听听我的建议吧。

## **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。

此时，你的”大数据平台”是这样的：

[![d3d6e41dc0d04975b3b0dae3bc428443636301098742381469.jpg][]][d3d6e41dc0d04975b3b0dae3bc428443636301098742381469.jpg]

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。

可以参考我的博文《异构数据源海量数据交换工具-Taobao DataX 下载和使用》。

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。

如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的：

[![b5171d12bd9b4c7288f53adfe220d359636301100320851752.jpg][]][b5171d12bd9b4c7288f53adfe220d359636301100320851752.jpg]

## 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.

如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的：

[![31c612f6ef88470784a59bb5f741cd7a636301100751426380.jpg][]][31c612f6ef88470784a59bb5f741cd7a636301100751426380.jpg]

如果你已经按照《写给大数据开发初学者的话2》中第三章和第四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：

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。

关于Spark和SparkSQL，可参考 http://lxw1234.com/archives/category/spark

如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的：

[![dfcf3e7e736c490199f8677bb56e5a75636301109496776585.jpg][]][dfcf3e7e736c490199f8677bb56e5a75636301109496776585.jpg]

## 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。

如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的：

[![1669d8687d1d4d428c02e2557e4fe428636301109908210118.jpg][]][1669d8687d1d4d428c02e2557e4fe428636301109908210118.jpg]

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。

如果你已经按照《写给大数据开发初学者的话3》中第五章和第六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：

*  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：

https://azkaban.github.io/

light-task-scheduler：

https://github.com/ltsopensource/light-task-scheduler

Zeus：

https://github.com/alibaba/zeus

等等……

另外，我这边是之前单独开发的任务调度与监控系统，具体请参考《大数据平台任务调度与监控系统》.

如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的：

[![16ab097ebb6d499da2417529b34e8534636301110220817998.jpg][]][16ab097ebb6d499da2417529b34e8534636301110220817998.jpg]

## 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。

如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的：

[![57e5a37ff4e94623b017bc61bfea5aba636301110609960255.jpg][]][57e5a37ff4e94623b017bc61bfea5aba636301110609960255.jpg]

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。

如果你已经掌握了如何很好的对外（业务）提供数据，那么你的“大数据平台”应该是这样的：

[![25b3dee50c50472fbbe8f1f37f7b524b636301110955890041.jpg][]][25b3dee50c50472fbbe8f1f37f7b524b636301110955890041.jpg]

## 第十章：牛逼高大上的机器学习 ##

关于这块，我这个门外汉也只能是简单介绍一下了。数学专业毕业的我非常惭愧，很后悔当时没有好好学数学。

**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。

机器学习确实牛逼高大上，也是我学习的目标。

那么，可以把机器学习部分也加进你的“大数据平台”了。

[![42cd64652c64418090f5632bc858f4e4636301111414176254.jpg][]][42cd64652c64418090f5632bc858f4e4636301111414176254.jpg]

[http_lxw1234.com_archives_2016_11_779.htm]: http://lxw1234.com/archives/2016/11/779.htm
[Hadoop]: http://bigdata.evget.com/post/197.html
[Link 1]: http://bigdata.evget.com/
[d3d6e41dc0d04975b3b0dae3bc428443636301098742381469.jpg]: /images/20220605/6cda983f14a8418bb268ffbf3d9ab866.png
[b5171d12bd9b4c7288f53adfe220d359636301100320851752.jpg]: /images/20220605/2a11f79e93b0487db81ce208323b1cca.png
[31c612f6ef88470784a59bb5f741cd7a636301100751426380.jpg]: /images/20220605/5598896baffd48fc8063e3edbf0e29c8.png
[dfcf3e7e736c490199f8677bb56e5a75636301109496776585.jpg]: /images/20220605/2e3c3c6b2a604a679bd2d114968bce98.png
[1669d8687d1d4d428c02e2557e4fe428636301109908210118.jpg]: /images/20220605/45962a469f7a4011b1d9ef697d7d79d4.png
[16ab097ebb6d499da2417529b34e8534636301110220817998.jpg]: /images/20220605/b8e91171012447bb99aba41c760ec43e.png
[57e5a37ff4e94623b017bc61bfea5aba636301110609960255.jpg]: /images/20220605/c4a0444405114b8d8b6fcc723ad77425.png
[25b3dee50c50472fbbe8f1f37f7b524b636301110955890041.jpg]: /images/20220605/479f26fe8ba548d98303e341433ade12.png
[42cd64652c64418090f5632bc858f4e4636301111414176254.jpg]: /images/20220605/2bacbb2dc5734e6c8ee860c3363e435d.png