作者:手机用户2502923607 | 来源:互联网 | 2023-09-25 12:00
大数据如此火热的现在,想必许多小伙伴都想要加入这个行业。也是AI菌今天就要拿出收藏已久的大数据学习计划。帮助你不走弯路,迈向大数据之路。1大数据应用离不开基础软件的支撑,且大部分大
大数据如此火热的现在,想必许多小伙伴都想要加入这个行业。也是AI菌今天就要拿出收藏已久的大数据学习计划。帮助你不走弯路,迈向大数据之路。
1
大数据应用离不开基础软件的支撑,且大部分大数据组件部署在 Linux 操作系统上的用户空间,也有很多组件也借鉴了Linux 操作系统的一些设计精髓,所以 Linux 既是大数据的强力支撑,也是很多性能问题的支撑者。
同时数据库的相关知识也是必要的基础,熟悉 MySQL 数据库的安装与部署,还有备份和恢复等都是重点。
所以在第一部分的学习中我们需要达到以下目标:
1
通过对 Linux 操作系统体系结构、 服务管理、包管理、NTP 协议时间 服务器、关系型数据库理论和 MySQL 数据库等相关知识的学习,
掌握大部分安装部署 Hadoop 集群操作系统层面的技能,为后续搭建 Hdoop 集群、对 比 RDBMS 与 NoSQL 数据库打基 础。
2
通过对 Linux 文件系统、内核参数、内存结构、以及 Java 虚 拟机等相关知识的学习,为后续学习分布式文件系统, Hadoop 集群优化扫清操作系统层 面知识的障碍
2
Hadoop 由许多元素构成。其最底部是HDFS,它存储 Hadoop 集群中所有存储节点上的文件。HDFS(对于本文)的上一层是MapReduce 引擎,通过对Hadoop分布式计算平台最核心的分布式文件系统HDFS、MapReduce处理过程,以及数据仓库工具Hive和分布式数据库Hbase的介绍,基本涵盖了Hadoop分布式平台的所有技术核心。
还有Flume是Cloudera提供的一个高可用的,高可靠的,分布式的海量日志采集、聚合和传输的系统,Flume支持在日志系统中定制各类数据发送方,用于收集数据。在大数据中也起到一定作用。
本模块通过学习HDFS,YARN(MapReduce)Spark 等核 心组件,了解Hadoop 的基本运行框架。
所以在第二部分的学习中我们需要达到以下目标:
1
搭建单节点模拟分布式集群,熟悉 HDFS 命令;
掌握 HDFS 体系结 构,读写流程,能 dump HDFS 元 数据文件;
理解 Flume 组件架构, 并能用 Flume 向 HDFS 平台导入文 本日志;
2
搭建多节点、可扩展集群;
部署 HDFS HA 架构;
理解并实现 Hadoop YARN 的多 租户架构
掌握 Zookeeper 组件原理;
掌握 Hadoop 集群优化路径;
3
传统数据仓库在面对更大规模数据时显得力不从心,在寄希望于大数据平台时,MapReduce 编程门槛让很多数据分析师望而却步,而Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供简单的sql查询功能,可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低,可以通过类SQL语句快速实现简单的MapReduce统计,不必开发专门的MapReduce应用,十分适合数据仓库的统计分析。
本模块通过学习 Hive、Impala 等大数据 SQL 分析组件,让用户将隐匿在泥沙之下的数据价值挖掘出来。
所以在第三部分的学习中我们需要达到以下目标:
1
安装部署 Hive;
理解 Hive 架构及执行原理 ;
Hive 的优化(分区、桶) ;
Hive SQL 语句优化;
Hive 常见故障诊断;
4
在上个模块中,OLAP 类型的需求得到了很好的解决方案,即针对数据查询分析的应用。但是这些组件对于数据的随机删改并不擅长。针对此种 OLTP 类型应用,大数据生态系统中有另外一类 组件处理这样的问题,那就是 NoSQL 家族。这部分将介绍 NoSQL 的数据模型和分类,着重讲述最具代表的 HBase。
ZooKeeper是一个分布式的,开放源码的分布式应用程序协调服务,,是Hadoop和Hbase的重要组件。它是一个为分布式应用提供一致性服务的软件,提供的功能包括:配置维护、名字服务、分布式同步、组服务等。在本部分也会涉及。
所以在第四部分的学习中我们需要达到以下目标:
1
理解HBase 体系结构水平扩展的 优势; 部署 HBase ;
设计 HBase 表;
2
理解 zookeeper 在 HBase集群中的作用;
掌握 HBase Schema 设计注意 事项;
理解 HBase 协处理器;
掌握 HBase 备份恢复步骤;
5
SQL 语句属于声明式编程语言,这种 Relational 方式擅长处理结构化数据。大数据的数据来源种类繁多,数据类型多种多样,SQL 并不能处理所有问题。所以需要用 procedural 方式,即编程 方式处理复杂多变的数据类型和应用。本章介绍 MapReduce、Spark编程模型,着重讲述利用 Python 在 Spark 平台做数据转换和分析。
所以在第五部分的学习中我们需要达到以下目标:
1
能指出 Spark 组件的产生背景;
掌握 Spark 与 RDD 的关系;
了解 RDD 使用场景,熟悉 RDD 操作; 使用 RDD 方法做日志分析;
理解 Spark-on-YARN 运行原 理;
掌握数据持久化方法。
2
理解 Spark 共享变量及使用场 景;
在程序中使用广播变量和累加 器;
理解 Spark SQL 的产生的历史背 景;
创建 DataFrame 和 DataSet;
使用 SparkSQL 关联结构数据与 非机构化数据 ;
能够利用 Spark 实现客户群的分 类;
6
前面5部分学习完毕之后,对于大数据平台的大部分问题,相比大家都会有思路去解决了。系统稳定运行之后,就要考虑运行的好不好,快不快。本模块针对 HDFS 数据、HBase 数据、实时抓取数 据加索引,以及 Spark Streaming 流式处理技术做重点介绍,为大数据处理提速
所以在第六部分的学习中我们需要达到以下目标:
1
. 理解 Solr Cloud 组件架构及原 理;
掌握 MapReduce 对静态数据索 引过程;
掌握 Flume 对实时数据索引过 程;
理解 HBase 索引实现原理-协处 理器; 掌握 HBase Lily 对 HBase 数据索引过 程;
介绍 Cloudera Search
2
了解流式计算的基本概念及分类 方式;
掌握 Flume、Kafka 组件的架构 及原理;
用 Flume、Kafka、Spark Streaming 搭建 简单的流式处理应 用;
学会使用状态保持及滑动窗口等 流式计算 特性;
7
事物的原理和规律隐藏在纷繁杂乱的数据中,如何从数据中将他们挖掘出来服务生产生活,大数据的核心价值体现在此。 本模块我们一起学习数据科学的数学基础、机器学习的算法。因为Spark 正在取代 MapReduce 成为大数据平台数据处理的全新引擎,它也使得在大数据环境下高效的运用数据科学成为可能, 所以我们着重介绍基于 Spark 的机器学习的实现, 把握大数据的发展趋势,步入数据科学的殿堂。
所以在第七部分的学习中我们需要达到以下目标:
1
掌握数据科学的数据基础,掌握统 计学基础知识。
2
. 掌握机器学习理论; 掌握 推荐系统和决策系统原理
3
掌握 Spark Mllib 组件架构; 利用 Spark Mllib 实现推荐器; . 学会引用常用机器学习算法。
选修
1.大数据Hadoop生态系统的组建大部分是java编写,但95%的企业是直接使用不会修改组建,所以培训课程包含冗长的java是不科学的。不过对于Java能做到一点了解还是不错的。
2.web开发html及Javascript,只是在大数据可视化阶段才会用到,并不是大数据课程的核心内容,所以有需要的同学再去学习吧。
3.R 语言具有丰富的统计方法,大多数人使用R语言是因为其具有强大的统计功能, R 语言内部包含了许多经典统计技术的环境。通过对 R 语言基础知识的学习,了解 R 数据分析的通用流程 。同时学习R 语言在 Spark 计算框架的基本使用方法,可以为实现更强大的数据分析打基础。
4.大数据时代需要数据开放,同时又需要保障敏感数据的安全。企业如何保障数据中心的安全性成为即将面临的重大课题,所以 Hadoop 集群的安全机制可以学习一下。
想要获得后续学习资料的同学请关注此公众号哦。同时可以在学习路上对照一下下面这张大数据知识体系哦。相信你完成这份学习计划后,任何大数据方面的工作都可以胜任。
(后台回复大数据获得高清图与PDF文件)
aHR0cDovL3dlaXhpbi5xcS5jb20vci9PRGtpT2xERXVBM0hyUlJaOTJ3cQ== (二维码自动识别)
aHR0cDovL3dlaXhpbi5xcS5jb20vci9PRGtpT2xERXVBM0hyUlJaOTJ3cQ== (二维码自动识别)
关注公众号“大数据菜鸟之路”或DatasRoad,获取更多学习资源!