一文讀懂大數(shù)據(jù)平臺(tái)——寫(xiě)給大數(shù)據(jù)開(kāi)發(fā)初學(xué)者的話!

• ?
• 
  

文|miao君

導(dǎo)讀：

第一章：初識(shí)Hadoop

第二章：更高效的WordCount

第三章：把別處的數(shù)據(jù)搞到Hadoop上

第四章：把Hadoop上的數(shù)據(jù)搞到別處去

第五章：快一點(diǎn)吧，我的SQL

第六章：一夫多妻制

第七章：越來(lái)越多的分析任務(wù)

第八章：我的數(shù)據(jù)要實(shí)時(shí)

第九章：我的數(shù)據(jù)要對(duì)外

第十章：牛逼高大上的機(jī)器學(xué)習(xí)

經(jīng)常有初學(xué)者會(huì)問(wèn)，自己想往大數(shù)據(jù)方向發(fā)展，該學(xué)哪些技術(shù)，學(xué)習(xí)路線是什么樣的，覺(jué)得大數(shù)據(jù)很火，就業(yè)很好，薪資很高……首先，如果你確定了想往這個(gè)方面發(fā)展，先考慮自己的過(guò)去從業(yè)經(jīng)歷、專業(yè)、興趣是什么。計(jì)算機(jī)專業(yè)——操作系統(tǒng)、硬件、網(wǎng)絡(luò)、服務(wù)器？軟件專業(yè)——軟件開(kāi)發(fā)、編程、寫(xiě)代碼？還是數(shù)學(xué)、統(tǒng)計(jì)學(xué)專業(yè)——對(duì)數(shù)據(jù)和數(shù)字特別感興趣？

其實(shí)這就是想告訴你大數(shù)據(jù)的三個(gè)發(fā)展方向，平臺(tái)搭建/優(yōu)化/運(yùn)維/監(jiān)控、大數(shù)據(jù)開(kāi)發(fā)/設(shè)計(jì)/架構(gòu)、數(shù)據(jù)分析/挖掘。

先扯一下大數(shù)據(jù)的4V特征：

• 數(shù)據(jù)量大，TB->PB
• 數(shù)據(jù)類(lèi)型繁多，結(jié)構(gòu)化、非結(jié)構(gòu)化文本、日志、視頻、圖片、地理位置等；
• 商業(yè)價(jià)值高，但是這種價(jià)值需要在海量數(shù)據(jù)之上，通過(guò)數(shù)據(jù)分析與機(jī)器學(xué)習(xí)更快速的挖掘出來(lái)；
• 處理時(shí)效性高，海量數(shù)據(jù)的處理需求不再局限在離線計(jì)算當(dāng)中。

現(xiàn)如今，正式為了應(yīng)對(duì)大數(shù)據(jù)的這幾個(gè)特點(diǎn)，開(kāi)源的大數(shù)據(jù)框架越來(lái)越多，越來(lái)越強(qiáng)，先列舉一些常見(jiàn)的：

文件存儲(chǔ)：Hadoop HDFS、Tachyon、KFS

離線計(jì)算：Hadoop MapReduce、Spark

流式、實(shí)時(shí)計(jì)算：Storm、Spark Streaming、S4、Heron

K-V、NOSQL數(shù)據(jù)庫(kù)：HBase、Redis、MongoDB

資源管理：YARN、Mesos

日志收集：Flume、Scribe、Logstash、Kibana

消息系統(tǒng)：Kafka、StormMQ、ZeroMQ、RabbitMQ

查詢分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

分布式協(xié)調(diào)服務(wù)：Zookeeper

集群管理與監(jiān)控：Ambari、Ganglia、Nagios、Cloudera Manager

數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)：Mahout、Spark MLLib

數(shù)據(jù)同步：Sqoop

任務(wù)調(diào)度：Oozie

······

第一章：初識(shí)Hadoop

1.1 學(xué)會(huì)百度與Google

不論遇到什么問(wèn)題，先試試搜索并自己解決。

Google首選，翻不過(guò)去的，就用百度吧。

1.2 參考資料首選官方文檔

特別是對(duì)于入門(mén)來(lái)說(shuō)，官方文檔永遠(yuǎn)是首選文檔。

相信搞這塊的大多是文化人，英文湊合就行，實(shí)在看不下去的，請(qǐng)參考第一步。

1.3 先讓Hadoop跑起來(lái)

Hadoop可以算是大數(shù)據(jù)存儲(chǔ)和計(jì)算的開(kāi)山鼻祖，現(xiàn)在大多開(kāi)源的大數(shù)據(jù)框架都依賴Hadoop或者與它能很好的兼容。

關(guān)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，請(qǐng)使用第一步和第二步，能讓它跑起來(lái)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(xiàn)在都用Hadoop 2.0.

1.4 嘗試使用Hadoop

• HDFS目錄操作命令；
• 上傳、下載文件命令；
• 提交運(yùn)行MapReduce示例程序；
• 打開(kāi)Hadoop WEB界面，查看Job運(yùn)行狀態(tài)，查看Job運(yùn)行日志。
• 知道Hadoop的系統(tǒng)日志在哪里。

1.5了解它們的原理

MapReduce：如何分而治之；

HDFS：數(shù)據(jù)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 自己寫(xiě)一個(gè)MapReduce程序

仿照WordCount例子，自己寫(xiě)一個(gè)（照抄也行）WordCount程序，

打包并提交到Hadoop運(yùn)行。

不會(huì)Java的話，Shell、Python都可以，有個(gè)東西叫Hadoop Streaming。

如果能認(rèn)真完成了以上幾步，恭喜你，你的一只腳已經(jīng)進(jìn)來(lái)了。

第二章：更高效的WordCount

2.1 學(xué)點(diǎn)SQL吧

如果不懂?dāng)?shù)據(jù)庫(kù)的童鞋先學(xué)習(xí)使用SQL句。

2.2 SQL版WordCount

在1.6中，你寫(xiě)（或者抄）的WordCount一共有幾行代碼？

如果用SQL的話：

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，SQL一句就搞定；使用SQL處理分析Hadoop上的數(shù)據(jù)，方便、高效、易上手、更是趨勢(shì)。不論是離線計(jì)算還是實(shí)時(shí)計(jì)算，越來(lái)越多的大數(shù)據(jù)處理框架都在積極提供SQL接口。

2.3 安裝配置Hive

Hive算是數(shù)據(jù)倉(cāng)庫(kù)工具，安裝不難，網(wǎng)上有很多教程，配置完成后，可以正常進(jìn)入Hive命令行。

2.4 試試使用Hive

嘗試在Hive中創(chuàng)建wordcount表，并運(yùn)行2.2中的SQL語(yǔ)句。在Hadoop WEB界面中找到剛才運(yùn)行的SQL任務(wù)。看SQL查詢結(jié)果是否和1.4中MapReduce中的結(jié)果一致。

明明寫(xiě)的是SQL，為什么Hadoop WEB界面中看到的是MapReduce任務(wù)？

2.5 學(xué)會(huì)Hive的基本命令

創(chuàng)建、刪除表；加載數(shù)據(jù)到表；下載Hive表的數(shù)據(jù)；并學(xué)習(xí)更多關(guān)于Hive的語(yǔ)法和命令。

以上如果按照第一章和第二章的流程認(rèn)真完整的走了一遍后，應(yīng)該已經(jīng)具備以下技能和知識(shí)點(diǎn)：

0和Hadoop2.0的區(qū)別

MapReduce的原理（還是那個(gè)經(jīng)典的題目，一個(gè)10G大小的文件，給定1G大小的內(nèi)存，如何使用Java程序統(tǒng)計(jì)出現(xiàn)次數(shù)最多的10個(gè)單詞及次數(shù)）；

HDFS讀寫(xiě)數(shù)據(jù)的流程；向HDFS中PUT數(shù)據(jù)；從HDFS中下載數(shù)據(jù)；

自己會(huì)寫(xiě)簡(jiǎn)單的MapReduce程序，運(yùn)行出現(xiàn)問(wèn)題，知道在哪里查看日志；

會(huì)寫(xiě)簡(jiǎn)單的SELECT、WHERE、GROUP BY等SQL語(yǔ)句；

Hive SQL轉(zhuǎn)換成MapReduce的大致流程；

Hive中常見(jiàn)的語(yǔ)句：創(chuàng)建表、刪除表、往表中加載數(shù)據(jù)、分區(qū)、將表中數(shù)據(jù)下載到本地；

從上面的學(xué)習(xí)，你已經(jīng)了解到，HDFS是Hadoop提供的分布式存儲(chǔ)框架，它可以用來(lái)存儲(chǔ)海量數(shù)據(jù)，MapReduce是Hadoop提供的分布式計(jì)算框架，它可以用來(lái)統(tǒng)計(jì)和分析HDFS上的海量數(shù)據(jù)，而Hive則是SQL On Hadoop，Hive提供了SQL接口，開(kāi)發(fā)人員只需要編寫(xiě)簡(jiǎn)單易上手的SQL語(yǔ)句，Hive負(fù)責(zé)把SQL翻譯成MapReduce，提交運(yùn)行。

此時(shí)，你的認(rèn)知中“大數(shù)據(jù)平臺(tái)”是這樣的：

那么問(wèn)題來(lái)了，海量數(shù)據(jù)如何到HDFS上呢？

第三章：把別處的數(shù)據(jù)搞到Hadoop上

此處也可以叫做數(shù)據(jù)采集，把各個(gè)數(shù)據(jù)源的數(shù)據(jù)采集到Hadoop上。

3.1 HDFS PUT命令

put命令在實(shí)際環(huán)境中也比較常用，通常配合shell、python等腳本語(yǔ)言來(lái)使用。建議需熟練掌握。

3.2 HDFS API

HDFS提供了寫(xiě)數(shù)據(jù)的API，自己用編程語(yǔ)言將數(shù)據(jù)寫(xiě)入HDFS，put命令本身也是使用API。

實(shí)際環(huán)境中一般自己較少編寫(xiě)程序使用API來(lái)寫(xiě)數(shù)據(jù)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(yǔ)句，Spark中的saveAsTextfile等。

可以嘗試了解原理，試著寫(xiě)幾個(gè)Demo。

3.3 Sqoop

Sqoop是一個(gè)主要用于Hadoop/Hive與傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)Oracle/MySQL/SQLServer等之間進(jìn)行數(shù)據(jù)交換的開(kāi)源框架。

就像Hive把SQL翻譯成MapReduce一樣，Sqoop把你指定的參數(shù)翻譯成MapReduce，提交到Hadoop運(yùn)行，完成Hadoop與其他數(shù)據(jù)庫(kù)之間的數(shù)據(jù)交換。

自己下載和配置Sqoop（建議先使用Sqoop1，Sqoop2比較復(fù)雜）。

了解Sqoop常用的配置參數(shù)和方法。

使用Sqoop完成從MySQL同步數(shù)據(jù)到HDFS；

使用Sqoop完成從MySQL同步數(shù)據(jù)到Hive表；

PS：如果后續(xù)選型確定使用Sqoop作為數(shù)據(jù)交換工具，那么建議熟練掌握，否則，了解和會(huì)用Demo即可。

3.4 Flume

Flume是一個(gè)分布式的海量日志采集和傳輸框架，因?yàn)椤安杉蛡鬏斂蚣堋?#xff0c;所以它并不適合關(guān)系型數(shù)據(jù)庫(kù)的數(shù)據(jù)采集和傳輸。Flume可以實(shí)時(shí)的從網(wǎng)絡(luò)協(xié)議、消息系統(tǒng)、文件系統(tǒng)采集日志，并傳輸?shù)紿DFS上。因此，如果你的業(yè)務(wù)有這些數(shù)據(jù)源的數(shù)據(jù)，并且需要實(shí)時(shí)的采集，那么就應(yīng)該考慮使用Flume。

下載和配置Flume。使用Flume監(jiān)控一個(gè)不斷追加數(shù)據(jù)的文件，并將數(shù)據(jù)傳輸?shù)紿DFS；

PS：Flume的配置和使用較為復(fù)雜，如果你沒(méi)有足夠的興趣和耐心，可以先跳過(guò)Flume。

3.5 阿里開(kāi)源的DataX

之所以介紹這個(gè)，是因?yàn)橐郧澳彻究蛻裟壳笆褂玫腍adoop與關(guān)系型數(shù)據(jù)庫(kù)數(shù)據(jù)交換的工具，就是之前基于DataX開(kāi)發(fā)的，個(gè)人感覺(jué)非常好用。現(xiàn)在DataX已經(jīng)是3.0版本，支持很多數(shù)據(jù)源。你也可以在其之上做二次開(kāi)發(fā)。

PS：有興趣的可以研究和使用一下，對(duì)比一下它與Sqoop。

至此，你的“大數(shù)據(jù)平臺(tái)”應(yīng)該是這樣的：

第四章：把Hadoop上的數(shù)據(jù)搞到別處去

前面介紹了如何把數(shù)據(jù)源的數(shù)據(jù)采集到Hadoop上，數(shù)據(jù)到Hadoop上之后，便可以使用Hive和MapReduce進(jìn)行分析了。那么接下來(lái)的問(wèn)題是，分析完的結(jié)果如何從Hadoop上同步到其他系統(tǒng)和應(yīng)用中去呢？

其實(shí)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

原理同3.2.

4.3 Sqoop

原理同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(shù)據(jù)同步到MySQL；

4.4 DataX

原理同3.4

此時(shí)，“你的大數(shù)據(jù)平臺(tái)”應(yīng)該是這樣的：

走完第三章和第四章的流程，那么你應(yīng)該已經(jīng)具備以下技能和知識(shí)點(diǎn)：

• 知道如何把已有的數(shù)據(jù)采集到HDFS上，包括離線采集和實(shí)時(shí)采集；
• 知道sqoop（或者還有DataX）是HDFS和其他數(shù)據(jù)源之間的數(shù)據(jù)交換工具；
• 知道flume可以用作實(shí)時(shí)的日志采集；

至此，對(duì)于大數(shù)據(jù)平臺(tái)，應(yīng)該已經(jīng)掌握如何搭建Hadoop集群，把數(shù)據(jù)采集到Hadoop上，使用Hive和MapReduce來(lái)分析數(shù)據(jù)，把分析結(jié)果同步到其他數(shù)據(jù)源。

接下來(lái)的問(wèn)題就是，Hive使用的越來(lái)越多，你會(huì)發(fā)現(xiàn)很多不愉快的地方，特別是速度慢，

大多情況下，明明我的數(shù)據(jù)量很小，它都要申請(qǐng)資源，啟動(dòng)MapReduce來(lái)執(zhí)行。

第五章：快一點(diǎn)吧，我的SQL

其實(shí)大家都已經(jīng)發(fā)現(xiàn)Hive后臺(tái)使用MapReduce作為執(zhí)行引擎，實(shí)在是有點(diǎn)慢。因此SQL On Hadoop的框架越來(lái)越多，按我的了解，最常用的按照流行度依次為SparkSQL、Impala和Presto.這三種框架基于半內(nèi)存或者全內(nèi)存，提供了SQL接口來(lái)快速查詢分析Hadoop上的數(shù)據(jù)。

目前我們的方案使用的是SparkSQL，至于為什么用SparkSQL，原因大概如下：

• 使用Spark還做了其他事情，不想引入過(guò)多的框架；
• Impala對(duì)內(nèi)存的需求太大，沒(méi)有過(guò)多資源部署；

5.1 關(guān)于Spark和SparkSQL

什么是Spark，什么是SparkSQL。

Spark有的核心概念及名詞解釋。

SparkSQL和Spark是什么關(guān)系，SparkSQL和Hive是什么關(guān)系。

SparkSQL為什么比Hive跑的快。

可參考：SparkSQL與Hive on Spark的比較

5.2 如何部署和運(yùn)行SparkSQL

Spark有哪些部署模式？

如何在Yarn上運(yùn)行SparkSQL？

使用SparkSQL查詢Hive中的表。

可參考：Spark – lxw的大數(shù)據(jù)田地

PS: Spark不是一門(mén)短時(shí)間內(nèi)就能掌握的技術(shù)，因此建議在了解了Spark之后，可以先從SparkSQL入手，循序漸進(jìn)。

如果認(rèn)真完成了上面的學(xué)習(xí)和實(shí)踐，此時(shí)，你的”大數(shù)據(jù)平臺(tái)”應(yīng)該是這樣的：

第六章：一夫多妻制

其實(shí)我想說(shuō)的是數(shù)據(jù)的一次采集、多次消費(fèi)。

在實(shí)際業(yè)務(wù)場(chǎng)景下，特別是對(duì)于一些監(jiān)控日志，想即時(shí)的從日志中了解一些指標(biāo)（關(guān)于實(shí)時(shí)計(jì)算，后面章節(jié)會(huì)有介紹），這時(shí)候，從HDFS上分析就太慢了，盡管是通過(guò)Flume采集的，但Flume也不能間隔很短就往HDFS上滾動(dòng)文件，這樣會(huì)導(dǎo)致小文件特別多。

為了滿足數(shù)據(jù)的一次采集、多次消費(fèi)的需求，這里要說(shuō)的便是Kafka。

6.1 關(guān)于Kafka

Kafka是一種高吞吐量的分布式發(fā)布訂閱消息系統(tǒng)，它可以處理消費(fèi)者規(guī)模的網(wǎng)站中的所有動(dòng)作流數(shù)據(jù)。這種動(dòng)作（網(wǎng)頁(yè)瀏覽，搜索和其他用戶的行動(dòng)）是在現(xiàn)代網(wǎng)絡(luò)上的許多社會(huì)功能的一個(gè)關(guān)鍵因素。這些數(shù)據(jù)通常是由于吞吐量的要求而通過(guò)處理日志和日志聚合來(lái)解決。

6.2 如何部署和使用Kafka

使用單機(jī)部署Kafka，并成功運(yùn)行自帶的生產(chǎn)者和消費(fèi)者例子。

使用Java程序自己編寫(xiě)并運(yùn)行生產(chǎn)者和消費(fèi)者程序。

Flume和Kafka的集成，使用Flume監(jiān)控日志，并將日志數(shù)據(jù)實(shí)時(shí)發(fā)送至Kafka。

關(guān)于Kafka，可以參考 ：Kafka – lxw的大數(shù)據(jù)田地

至此，“大數(shù)據(jù)平臺(tái)”應(yīng)該擴(kuò)充成這樣：

這時(shí)，使用Flume采集的數(shù)據(jù)，不是直接到HDFS上，而是先到Kafka，Kafka中的數(shù)據(jù)可以由多個(gè)消費(fèi)者同時(shí)消費(fèi)，其中一個(gè)消費(fèi)者，就是將數(shù)據(jù)同步到HDFS。

總結(jié)：

為什么Spark比MapReduce快。

使用SparkSQL代替Hive，更快的運(yùn)行SQL。

使用Kafka完成數(shù)據(jù)的一次收集，多次消費(fèi)架構(gòu)。

自己可以寫(xiě)程序完成Kafka的生產(chǎn)者和消費(fèi)者。

前面的學(xué)習(xí)已經(jīng)掌握了大數(shù)據(jù)平臺(tái)中的數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)和計(jì)算、數(shù)據(jù)交換等大部分技能，而這其中的每一步，都需要一個(gè)任務(wù)（程序）來(lái)完成，各個(gè)任務(wù)之間又存在一定的依賴性，比如，必須等數(shù)據(jù)采集任務(wù)成功完成后，數(shù)據(jù)計(jì)算任務(wù)才能開(kāi)始運(yùn)行。如果一個(gè)任務(wù)執(zhí)行失敗，需要給開(kāi)發(fā)運(yùn)維人員發(fā)送告警，同時(shí)需要提供完整的日志來(lái)方便查錯(cuò)。

第七章：越來(lái)越多的分析任務(wù)

不僅僅是分析任務(wù)，數(shù)據(jù)采集、數(shù)據(jù)交換同樣是一個(gè)個(gè)的任務(wù)。這些任務(wù)中，有的是定時(shí)觸發(fā)，有點(diǎn)則需要依賴其他任務(wù)來(lái)觸發(fā)。當(dāng)平臺(tái)中有幾百上千個(gè)任務(wù)需要維護(hù)和運(yùn)行時(shí)候，僅僅靠crontab遠(yuǎn)遠(yuǎn)不夠了，這時(shí)便需要一個(gè)調(diào)度監(jiān)控系統(tǒng)來(lái)完成這件事。調(diào)度監(jiān)控系統(tǒng)是整個(gè)數(shù)據(jù)平臺(tái)的中樞系統(tǒng)，類(lèi)似于AppMaster，負(fù)責(zé)分配和監(jiān)控任務(wù)。

7.1 Apache Oozie

1. Oozie是什么？有哪些功能？

2. Oozie可以調(diào)度哪些類(lèi)型的任務(wù)（程序）？

3. Oozie可以支持哪些任務(wù)觸發(fā)方式？

4.安裝配置Oozie。

7.2 其他開(kāi)源的任務(wù)調(diào)度系統(tǒng)

Azkaban

light-task-scheduler

alibaba/zeus

……

此時(shí)：

第八章：數(shù)據(jù)要實(shí)時(shí)

在第六章介紹Kafka的時(shí)候提到了一些需要實(shí)時(shí)指標(biāo)的業(yè)務(wù)場(chǎng)景，實(shí)時(shí)基本可以分為絕對(duì)實(shí)時(shí)和準(zhǔn)實(shí)時(shí)，絕對(duì)實(shí)時(shí)的延遲要求一般在毫秒級(jí)，準(zhǔn)實(shí)時(shí)的延遲要求一般在秒、分鐘級(jí)。對(duì)于需要絕對(duì)實(shí)時(shí)的業(yè)務(wù)場(chǎng)景，用的比較多的是Storm，對(duì)于其他準(zhǔn)實(shí)時(shí)的業(yè)務(wù)場(chǎng)景，可以是Storm，也可以是Spark Streaming。當(dāng)然，如果可以的話，也可以自己寫(xiě)程序來(lái)做。

8.1 Storm

1. 什么是Storm？有哪些可能的應(yīng)用場(chǎng)景？

2. Storm由哪些核心組件構(gòu)成，各自擔(dān)任什么角色？

3. Storm的簡(jiǎn)單安裝和部署。

4. 自己編寫(xiě)Demo程序，使用Storm完成實(shí)時(shí)數(shù)據(jù)流計(jì)算。

8.2 Spark Streaming

1. 什么是Spark Streaming，它和Spark是什么關(guān)系？

2. Spark Streaming和Storm比較，各有什么優(yōu)缺點(diǎn)？

3. 使用Kafka + Spark Streaming，完成實(shí)時(shí)計(jì)算的Demo程序。

此時(shí)：

至此，大數(shù)據(jù)平臺(tái)底層架構(gòu)已經(jīng)成型了，其中包括了數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)與計(jì)算（離線和實(shí)時(shí)）、數(shù)據(jù)同步、任務(wù)調(diào)度與監(jiān)控這幾大模塊。接下來(lái)是時(shí)候考慮如何更好的對(duì)外提供數(shù)據(jù)了。

第九章：數(shù)據(jù)要對(duì)外

通常對(duì)外（業(yè)務(wù)）提供數(shù)據(jù)訪問(wèn)，大體上包含以下方面：

離線：比如，每天將前一天的數(shù)據(jù)提供到指定的數(shù)據(jù)源（DB、FILE、FTP）等；

離線數(shù)據(jù)的提供可以采用Sqoop、DataX等離線數(shù)據(jù)交換工具。

實(shí)時(shí)：比如，在線網(wǎng)站的推薦系統(tǒng)，需要實(shí)時(shí)從數(shù)據(jù)平臺(tái)中獲取給用戶的推薦數(shù)據(jù)，這種要求延時(shí)非常低（50毫秒以內(nèi)）。

根據(jù)延時(shí)要求和實(shí)時(shí)數(shù)據(jù)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(shù)據(jù)模型比較規(guī)范，另外，對(duì)查詢的響應(yīng)速度要求也越來(lái)越高，可能的方案有：Impala、Presto、SparkSQL、Kylin。如果你的數(shù)據(jù)模型比較規(guī)模，那么Kylin是最好的選擇。

即席查詢：即席查詢的數(shù)據(jù)比較隨意，一般很難建立通用的數(shù)據(jù)模型，因此可能的方案有：Impala、Presto、SparkSQL。

這么多比較成熟的框架和方案，需要結(jié)合自己的業(yè)務(wù)需求及數(shù)據(jù)平臺(tái)技術(shù)架構(gòu)，選擇合適的。原則只有一個(gè)：越簡(jiǎn)單越穩(wěn)定的，就是最好的。

如果你已經(jīng)掌握了如何很好的對(duì)外（業(yè)務(wù)）提供數(shù)據(jù)，那么你的“大數(shù)據(jù)平臺(tái)”應(yīng)該是這樣的：

第十章：牛逼高大上的機(jī)器學(xué)習(xí)

這里本人也沒(méi)有接觸太多，稍微講一下我們的業(yè)務(wù)場(chǎng)景應(yīng)用，遇到的能用機(jī)器學(xué)習(xí)解決的問(wèn)題大概這么三類(lèi)：

分類(lèi)問(wèn)題：包括二分類(lèi)和多分類(lèi)，二分類(lèi)就是解決了預(yù)測(cè)的問(wèn)題，就像預(yù)測(cè)一封郵件是否垃圾郵件；多分類(lèi)解決的是文本的分類(lèi)；

聚類(lèi)問(wèn)題：從用戶搜索過(guò)的關(guān)鍵詞，對(duì)用戶進(jìn)行大概的歸類(lèi)。

推薦問(wèn)題：根據(jù)用戶的歷史瀏覽和點(diǎn)擊行為進(jìn)行相關(guān)推薦。

大多數(shù)行業(yè)，使用機(jī)器學(xué)習(xí)解決的，也就是這幾類(lèi)問(wèn)題。

入門(mén)學(xué)習(xí)線路：

數(shù)學(xué)基礎(chǔ)；

機(jī)器學(xué)習(xí)實(shí)戰(zhàn)（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。

那么把機(jī)器學(xué)習(xí)部分加進(jìn) “大數(shù)據(jù)平臺(tái)”。

總結(jié)

以上是生活随笔為你收集整理的一文读懂大数据平台——写给大数据开发初学者的话!的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。