1. 程式人生 > >寫給大數據開發初學者:如何讀懂大數據平臺

寫給大數據開發初學者:如何讀懂大數據平臺

大數據 大數據學習 大數據開發 大數據編程

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。

本文將從以下十個章節介紹大數據平臺,希望能給大數據開發初學者、愛好者一些支持。
第一章: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,學習路線是什麽樣的,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,那麽我就想問一下,你的專業是什麽,對於計算機/軟件,你的興趣是什麽?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。

大數據學習群:716581014 一起學習

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、日誌、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 日誌收集: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。

第一章:初識Hadoop

1.1 學會百度與Google

不論遇到什麽問題,先試試搜索並自己解決。

Google首選,翻不過去的,就用百度吧。

1.2 參考資料首選官方文檔

特別是對於入門來說,官方文檔永遠是首選文檔。

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,請參考第一步。

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。

關於Hadoop,你至少需要搞清楚以下是什麽:

Hadoop 1.0、Hadoop 2.0
MapReduce、HDFS
NameNode、DataNode
JobTracker、TaskTracker
Yarn、ResourceManager、NodeManager

自己搭建Hadoop,請使用第一步和第二步,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運行日誌。

知道Hadoop的系統日誌在哪裏。

1.5 你該了解它們的原理了

MapReduce:如何分而治之; HDFS:數據到底在哪裏,什麽是副本; Yarn到底是什麽,它能幹什麽; NameNode到底在幹些什麽; ResourceManager到底在幹些什麽;

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,打包並提交到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

什麽是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.

為什麽說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於業務系統數據庫,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,並運行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是怎麽工作的

明明寫的是SQL,為什麽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,學習更多關於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》中第一章和第二章的流程認真完整的走了一遍,那麽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,知道在哪裏查看日誌;
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:技術分享圖片

那麽問題來了,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是一個主要用於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:如果後續選型確定使用Sqoop作為數據交換工具,那麽建議熟練掌握,否則,了解和會用Demo即可。

3.4 Flume

Flume是一個分布式的海量日誌采集和傳輸框架,因為“采集和傳輸框架”,所以它並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、文件系統采集日誌,並傳輸到HDFS上。

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

下載和配置Flume。

使用Flume監控一個不斷追加數據的文件,並將數據傳輸到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 阿裏開源的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,就是之前基於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:
技術分享圖片

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上之後,便可以使用Hive和MapReduce進行分析了。那麽接下來的問題是,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:
技術分享圖片

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,那麽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可以用作實時的日誌采集。

從前面的學習,對於大數據平臺,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後臺使用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.

這三種框架基於半內存或者全內存,提供了SQL接口來快速查詢分析Hadoop上的數據。關於三者的比較,請參考1.1.

我們目前使用的是SparkSQL,至於為什麽用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 關於Spark和SparkSQL

什麽是Spark,什麽是SparkSQL。 Spark有的核心概念及名詞解釋。 SparkSQL和Spark是什麽關系,SparkSQL和Hive是什麽關系。 SparkSQL為什麽比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之後,可以先從SparkSQL入手,循序漸進。

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:
技術分享圖片

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,特別是對於一些監控日誌,想即時的從日誌中了解一些指標(關於實時計算,後面章節會有介紹),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,這裏要說的便是Kafka。

6.1 關於Kafka

什麽是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,並成功運行自帶的生產者和消費者例子。

使用Java程序自己編寫並運行生產者和消費者程序。

Flume和Kafka的集成,使用Flume監控日誌,並將日誌數據實時發送至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:
技術分享圖片

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,那麽你應該已經具備以下技能和知識點:

為什麽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後,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誌來方便查錯。

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,類似於AppMaster,負責分配和監控任務。

7.1 Apache Oozie

  1. Oozie是什麽?有哪些功能? 2. Oozie可以調度哪些類型的任務(程序)? 3. Oozie可以支持哪些任務觸發方式? 4. 安裝配置Oozie。

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:
技術分享圖片

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。對於需要絕對實時的業務場景,用的比較多的是Storm,對於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

  1. 什麽是Storm?有哪些可能的應用場景? 2. Storm由哪些核心組件構成,各自擔任什麽角色? 3. Storm的簡單安裝和部署。 4. 自己編寫Demo程序,使用Storm完成實時數據流計算。

8.2 Spark Streaming

  1. 什麽是Spark Streaming,它和Spark是什麽關系? 2. Spark Streaming和Storm比較,各有什麽優缺點? 3. 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:
技術分享圖片

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範,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,那麽Kylin是最好的選擇。
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。

這麽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,就是最好的。

如果你已經掌握了如何很好的對外(業務)提供數據,那麽你的“大數據平臺”應該是這樣的:
技術分享圖片

第十章:牛逼高大上的機器學習

關於這塊,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,很後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麽三類:

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最好;
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。

那麽,可以把機器學習部分也加進你的“大數據平臺”了。
技術分享圖片

大數據學習QQ群:716581014

寫給大數據開發初學者:如何讀懂大數據平臺