大資料學習路線

java(Java se,javaweb) Linux(shell,高併發架構,lucene,solr) Hadoop(Hadoop,HDFS,Mapreduce,yarn,hive,hbase,sqoop,zookeeper,flume) 機器學習(R,mahout) Storm(Storm,kafka,redis) Spark(scala,spark,spark core,spark sql,spark streaming,spark mllib,spark graphx) Python(python,spark python) 雲端計算平臺(docker,kvm,openstack)

名詞解釋

一、Linux lucene： 全文檢索引擎的架構 solr： 基於lucene的全文搜尋伺服器，實現了可配置、可擴充套件並對查詢效能進行了優化，並且提供了一個完善的功能管理介面。

二、Hadoop HDFS： 分散式儲存系統，包含NameNode，DataNode。NameNode：元資料，DataNode。DataNode：存數資料。 yarn： 可以理解為MapReduce的協調機制，本質就是Hadoop的處理分析機制，分為ResourceManager NodeManager。 MapReduce： 軟體框架，編寫程式。 Hive： 資料倉庫 可以用SQL查詢，可以執行Map/Reduce程式。用來計算趨勢或者網站日誌，不應用於實時查詢，需要很長時間返回結果。 HBase： 資料庫。非常適合用來做大資料的實時查詢。Facebook用Hbase儲存訊息資料並進行訊息實時的分析 ZooKeeper： 針對大型分散式的可靠性協調系統。Hadoop的分散式同步等靠Zookeeper實現，例如多個NameNode，active standby切換。 Sqoop： 資料庫相互轉移，關係型資料庫和HDFS相互轉移 Mahout： 可擴充套件的機器學習和資料探勘庫。用來做推薦挖掘，聚集，分類，頻繁項集挖掘。 Chukwa： 開源收集系統，監視大型分散式系統，建立在HDFS和Map/Reduce框架之上。顯示、監視、分析結果。 Ambari： 用於配置、管理和監視Hadoop叢集，基於Web，介面友好。

二、Cloudera Cloudera Manager： 管理 監控 診斷 整合 Cloudera CDH：(Cloudera’s Distribution，including Apache Hadoop) Cloudera對Hadoop做了相應的改變，發行版本稱為CDH。 Cloudera Flume： 日誌收集系統，支援在日誌系統中定製各類資料傳送方，用來收集資料。 Cloudera Impala： 對儲存在Apache Hadoop的HDFS，HBase的資料提供直接查詢互動的SQL。 Cloudera hue： web管理器，包括hue ui，hui server，hui db。hue提供所有CDH元件的shell介面的介面，可以在hue編寫mr。

三、機器學習/R R： 用於統計分析、繪圖的語言和操作環境，目前有Hadoop-R mahout： 提供可擴充套件的機器學習領域經典演算法的實現，包括聚類、分類、推薦過濾、頻繁子項挖掘等，且可通過Hadoop擴充套件到雲中。

四、storm Storm： 分散式，容錯的實時流式計算系統，可以用作實時分析，線上機器學習，資訊流處理，連續性計算，分散式RPC，實時處理訊息並更新資料庫。 Kafka： 高吞吐量的分散式釋出訂閱訊息系統，可以處理消費者規模的網站中的所有動作流資料（瀏覽，搜尋等）。相對Hadoop的日誌資料和離線分析，可以實現實時處理。目前通過Hadoop的並行載入機制來統一線上和離線的訊息處理 Redis： 由c語言編寫，支援網路、可基於記憶體亦可持久化的日誌型、key-value型資料庫。

五、Spark Scala： 一種類似java的完全面向物件的程式語言。 jblas： 一個快速的線性代數庫（JAVA）。基於BLAS與LAPACK，矩陣計算實際的行業標準，並使用先進的基礎設施等所有的計算程式的ATLAS藝術的實現，使其非常快。

Spark： Spark是在Scala語言中實現的類似於Hadoop MapReduce的通用並行框架，除了Hadoop MapReduce所具有的優點，但不同於MapReduce的是job中間輸出結果可以儲存在記憶體中，從而不需要讀寫HDFS，因此Spark能更好的適用於資料探勘與機器學習等需要迭代的MapReduce演算法。可以和Hadoop檔案系統並行運作，用過Mesos的第三方叢集框架可以支援此行為。 Spark SQL： 作為Apache Spark大資料框架的一部分,可用於結構化資料處理並可以執行類似SQL的Spark資料查詢 Spark Streaming： 一種構建在Spark上的實時計算框架，擴充套件了Spark處理大資料流式資料的能力。 Spark MLlib： MLlib是Spark是常用的機器學習演算法的實現庫，目前(2014.05)支援二元分類，迴歸，聚類以及協同過濾。同時也包括一個底層的梯度下降優化基礎演算法。MLlib以來jblas線性代數庫，jblas本身以來遠端的Fortran程式。 Spark GraphX： GraphX是Spark中用於圖和圖平行計算的API，可以在Spark之上提供一站式資料解決方案，可以方便且高效地完成圖計算的一整套流水作業。

Fortran： 最早出現的計算機高階程式設計語言，廣泛應用於科學和工程計算領域。

BLAS： 基礎線性代數子程式庫，擁有大量已經編寫好的關於線性代數運算的程式。 LAPACK： 著名的公開軟體，包含了求解科學與工程計算中最常見的數值線性代數問題，如求解線性方程組、線性最小二乘問題、特徵值問題和奇異值問題等。 ATLAS： BLAS線性演算法庫的優化版本。 Spark Python： Spark是由scala語言編寫的，但是為了推廣和相容，提供了java和python介面。

六、Python Python: 一種面向物件的、解釋型計算機程式設計語言。

七、雲端計算平臺 Docker： 開源的應用容器引擎 kvm： (Keyboard Video Mouse) openstack： 開源的雲端計算管理平臺專案