大數據的4V特征：
1. 數據量大，TB->PB
2. 數據類型繁多，結構化、非結構化文本、日志、視頻、圖片、地理位置等；
3. 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；
4. 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。
常見的大數據的開源框架：
l 文件存儲：Hadoop HDFS、Tachyon、KFS
l 離線計算：Hadoop MapReduce、Spark
l 流式、實時計算：Storm、Spark Streaming、S4、Heron
l K-V、NOSQL數據庫：HBase、Redis、MongoDB
l 資源管理：YARN、Mesos
l 日志收集：Flume、Scribe、Logstash、Kibana
l 消息系統：Kafka、StormMQ、ZeroMQ、RabbitMQ
l 查詢分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid
l 分布式協調服務：Zookeeper
l 集群管理與監控：Ambari、Ganglia、Nagios、Cloudera Manager
l 數據挖掘、機器學習：Mahout、Spark MLLib
l 數據同步：Sqoop
l 任務調度：Oozie
l ……
第一章：初識Hadoop
1.1 學會百度與Google
不論遇到什么問題，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。
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么：
l Hadoop 1.0、Hadoop 2.0（Hadoop1.0知道它就行了，現在都用Hadoop 2.0.）
l MapReduce、HDFS
l NameNode、DataNode
l JobTracker、TaskTracker
l Yarn、ResourceManager、NodeManager
l 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。）
1.4 試試使用Hadoop
l HDFS目錄操作命令；
l 上傳、下載文件命令；
l 提交運行MapReduce示例程序；
l 打開Hadoop WEB界面，查看Job運行狀態，查看Job運行日志。
l 知道Hadoop的系統日志在哪里。
1.5了解Hadoop原理
l MapReduce：如何分而治之；
l HDFS：數據到底在哪里，什么是副本；
l Yarn到底是什么，它能干什么；
l NameNode到底在干些什么；
l ResourceManager到底在干些什么；
1.6 自己寫一個MapReduce程序
l 請仿照WordCount例子，自己寫一個（照抄也行）WordCount程序，
l 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SQL
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
什么是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.
為什么說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是怎么工作的
明明寫的是SQL，為什么Hadoop WEB界面中看到的是MapReduce任務？
2.7 學會Hive的基本命令
l 創建、刪除表；
l 加載數據到表；
l 下載Hive表的數據；
l 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，那么你應該已經具備以下技能和知識點：
l Hadoop1.0和Hadoop2.0的區別；
l 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）；
l HDFS讀寫數據的流程；向HDFS中PUT數據；從HDFS中下載數據；
l 自己會寫簡單的MapReduce程序，運行出現問題，知道在哪里查看日志；
l 會寫簡單的SELECT、WHERE、GROUP BY等SQL語句；
l Hive SQL轉換成MapReduce的大致流程；
l 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”大數據平台”是這樣的：
那么問題來了，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（建議熟練掌握）
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。
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。
l 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。
l 自己下載和配置Sqoop（建議先使用Sqoop1，Sqoop2比較復雜）。
l 了解Sqoop常用的配置參數和方法。
l 使用Sqoop完成從MySQL同步數據到HDFS；
l 使用Sqoop完成從MySQL同步數據到Hive表；
PS：如果后續選型確定使用Sqoop作為數據交換工具，那么建議熟練掌握，否則，了解和會用Demo即可。
3.4 Flume
Flume是一個分布式的海量日志采集和傳輸框架，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、文件系統采集日志，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，那么就應該考慮使用Flume。
l 下載和配置Flume。
l 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 阿里開源的DataX
之所以介紹這個，是因為我們這邊一個老師目前就職的公司使用的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。
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”大數據平台”應該是這樣的：
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上之后，便可以使用Hive和MapReduce進行分析了。那么接下來的問題是，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
l 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.
l 使用Sqoop完成將HDFS上的文件同步到MySQL；
l 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”大數據平台”應該是這樣的：
如果你已經按照這個路線走了一遍，那么你接下來就應該具備以下技能和知識點：
l 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；
l 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；
l 你已經知道flume可以用作實時的日志采集。
l 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后台使用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。
我們目前使用的是SparkSQL，至於為什么用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
l 什么是Spark，什么是SparkSQL。
l Spark有的核心概念及名詞解釋。
l SparkSQL和Spark是什么關系，SparkSQL和Hive是什么關系。
l SparkSQL為什么比Hive跑的快。
5.2 如何部署和運行SparkSQL
l Spark有哪些部署模式？
l 如何在Yarn上運行SparkSQL？
l 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之后，可以先從SparkSQL入手，循序漸進。
關於Spark和SparkSQL，可參考 http://lxw1234.com/archives/category/spark
如果你認真完成了上面的學習和實踐，此時，你的”大數據平台”應該是這樣的：
第六章：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志，想即時的從日志中了解一些指標（關於實時計算，后面章節會有介紹），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，這里要說的便是Kafka。
6.1 關於Kafka
l 什么是Kafka？
l Kafka的核心概念及名詞解釋。
6.2 如何部署和使用Kafka
l 使用單機部署Kafka，並成功運行自帶的生產者和消費者例子。
l 使用Java程序自己編寫並運行生產者和消費者程序。
l Flume和Kafka的集成，使用Flume監控日志，並將日志數據實時發送至Kafka。
如果你認真完成了上面的學習和實踐，此時，你的”大數據平台”應該是這樣的：
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。
接下來你應該已經具備以下技能和知識點：
l 為什么Spark比MapReduce快。
l 使用SparkSQL代替Hive，更快的運行SQL。
l 使用Kafka完成數據的一次收集，多次消費架構。
l 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台中的數據采集、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后，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志來方便查錯。
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。當平台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台的中樞系統，類似於AppMaster，負責分配和監控任務。
7.1 Apache Oozie
l Oozie是什么？有哪些功能？
l Oozie可以調度哪些類型的任務（程序）？
l Oozie可以支持哪些任務觸發方式？
l 安裝配置Oozie。
7.2 其他開源的任務調度系統
l Azkaban：
https://azkaban.github.io/
light-task-scheduler：
https://github.com/ltsopensource/light-task-scheduler
l Zeus：
https://github.com/alibaba/zeus
……
如果你認真完成了上面的學習和實踐，此時，你的”大數據平台”應該是這樣的：
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准實時，絕對實時的延遲要求一般在毫秒級，准實時的延遲要求一般在秒、分鍾級。對於需要絕對實時的業務場景，用的比較多的是Storm，對於其他准實時的業務場景，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
l 什么是Storm？有哪些可能的應用場景？
l Storm由哪些核心組件構成，各自擔任什么角色？
l Storm的簡單安裝和部署。
l 自己編寫Demo程序，使用Storm完成實時數據流計算。
8.2 Spark Streaming
l 什么是Spark Streaming，它和Spark是什么關系？
l Spark Streaming和Storm比較，各有什么優缺點？
l 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”大數據平台”應該是這樣的：
至此，你的大數據平台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：
l 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。
l 實時：比如，在線網站的推薦系統，需要實時從數據平台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）。
l 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。
l OLAP分析：OLAP除了要求底層的數據模型比較規范，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，那么Kylin是最好的選擇。
l 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。
這么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台技術架構，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，那么你的“大數據平台”應該是這樣的：
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，很后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么三類：
l 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；
l 聚類問題：從用戶搜索過的關鍵詞，對用戶進行大概的歸類。
l 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：
l 數學基礎；
l 機器學習實戰（Machine Learning in Action），懂Python最好；
l 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。
那么，可以把機器學習部分也加進你的“大數據平台”了。
