大数据学习姿势

By timebusker on June 15, 2018

大数据学习姿势:循序渐进….

前言

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

大数据的4大特征

  • 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

开源大数据框架(常见)

  • 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

学习姿势

初识Hadoop

  • 搭建Hadoop,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,搞清楚Hadoop核心组件(原理)。
    Hadoop 1.0、Hadoop 2.0
    MapReduce、HDFS
    NameNode、DataNode
    JobTracker、TaskTracker
    Yarn、ResourceManager、NodeManager
    
  • 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。

  • 编写MapReduce程序,打包运行。

更高效的WordCount

  • SQL版WordCount:SELECT word,COUNT(1) FROM wordcount GROUP BY word;
  • SQL On Hadoop之Hive 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。

  • 安装配置Hive
  • 使用Hive
  • Hive是怎么工作的
  • 学会Hive的基本命令

上传数据到Hadoop

  • HDFS 命令
  • HDFS 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。
  • 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。
    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;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。
  • 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。
  • 阿里开源的DataX 非常好用

到处Hadoop数据到关系型数据库中

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。

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。

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。

  • 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。
  • 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。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,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。

消息队列

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。

  • 关于Kafka 什么是Kafka?Kafka的核心概念及名词解释。
  • 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。

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。

  • Apache Oozie
    Oozie是什么?有哪些功能?
    Oozie可以调度哪些类型的任务(程序)?
    Oozie可以支持哪些任务触发方式?
    安装配置Oozie。

  • 其他开源的任务调度系统 Azkaban,light-task-scheduler,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, 具体请百度《大数据平台任务调度与监控系统》。

实时数据

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。

  • Storm 什么是Storm?有哪些可能的应用场景?
    Storm由哪些核心组件构成,各自担任什么角色?
    Storm的简单安装和部署。
    自己编写Demo程序,使用Storm完成实时数据流计算。

  • Spark Streaming
    什么是Spark Streaming,它和Spark是什么关系?
    Spark Streaming和Storm比较,各有什么优缺点?
    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。

数据要对外服务

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。

机器学习

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,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。