大資料架構師從入門到精通

經常有初學者在部落格和QQ問我，自己想往大資料方向發展，該學哪些技術，學習路線是什麼樣的，覺得大資料很火，就業很好，薪資很高。如果自己很迷茫，為了這些原因想往大資料方向發展，也可以，那麼我就想問一下，你的專業是什麼，對於計算機/軟體，你的興趣是什麼？是計算機專業，對作業系統、硬體、網路、伺服器感興趣？是軟體專業，對軟體開發、程式設計、寫程式碼感興趣？還是數學、統計學專業，對資料和數字特別感興趣。

其實這就是想告訴你的大資料的三個發展方向，平臺搭建/優化/運維/監控、大資料開發/ 設計/ 架構、資料分析/挖掘。請不要問我哪個容易，哪個前景好，哪個錢多。

先扯一下大資料的4V特徵：

資料量大，TB->PB

資料型別繁多，結構化、非結構化文字、日誌、視訊、圖片、地理位置等；

商業價值高，但是這種價值需要在海量資料之上，通過資料分析與機器學習更快速的挖掘出來；

處理時效性高，海量資料的處理需求不再侷限在離線計算當中。

現如今，正式為了應對大資料的這幾個特點，開源的大資料框架越來越多，越來越強，先列舉一些常見的：

檔案儲存：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資料庫：HBase、Redis、MongoDB

資源管理：YARN、Mesos

日誌收集：Flume、Scribe、Logstash、Kibana

訊息系統：Kafka、StormMQ、ZeroMQ、RabbitMQ

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

分散式協調服務：Zookeeper

叢集管理與監控：Ambari、Ganglia、Nagios、Cloudera Manager

資料探勘、機器學習：Mahout、Spark MLLib

資料同步：Sqoop

任務排程：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Hadoop1.1 學會百度與Google

不論遇到什麼問題，先試試搜尋並自己解決。Google首選，翻不過去的，就用百度吧。

1.2 參考資料首選官方文件

特別是對於入門來說，官方文件永遠是首選文件。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可以算是大資料儲存和計算的開山鼻祖，現在大多開源的大資料框架都依賴Hadoop或者與它能很好的相容。

關於Hadoop,你至少需要搞清楚以下是什麼：

• 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列安裝，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、下載檔案命令；提交執行MapReduce示例程式；開啟Hadoop WEB介面，檢視Job執行狀態，檢視Job執行日誌。知道Hadoop的系統日誌在哪裡。

1.5 你該瞭解它們的原理了MapReduce：如何分而治之；HDFS：資料到底在哪裡，什麼是副本；

Yarn到底是什麼，它能幹什麼；NameNode到底在幹些什麼；Resource Manager到底在幹些什麼；

1.6 自己寫一個MapReduce程式

請仿照WordCount例子，自己寫一個（照抄也行）WordCount程式，

打包並提交到Hadoop執行。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，你的一隻腳已經進來了。

第二章：更高效的WordCount2.1 學點SQL吧

你知道資料庫嗎？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一共有幾行程式碼？給你看看我的:

SELECT word,COUNT(1) FROM wordcount GROUP BY word；

這便是SQL的魅力，程式設計需要幾十行，甚至上百行程式碼，我這一句就搞定；使用SQL處理分析Hadoop上的資料，方便、高效、易上手、更是趨勢。不論是離線計算還是實時計算，越來越多的大資料處理框架都在積極提供SQL介面。

2.3 SQL On Hadoop之Hive

什麼是Hive？官方給的解釋如下：The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax.

為什麼說Hive是資料倉儲工具，而不是資料庫工具呢？有的朋友可能不知道資料倉儲，資料倉儲是邏輯上的概念，底層使用的是資料庫，資料倉儲中的資料有這兩個特點：最全的歷史資料（海量）、相對穩定的；所謂相對穩定，指的是資料倉儲不同於業務系統資料庫，資料經常會被更新，資料一旦進入資料倉儲，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適合做海量資料的資料倉儲工具，而不是資料庫工具。

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命令列。

2.5 試試使用Hive

請參考1.1 和 1.2 ，在Hive中建立wordcount表，並執行2.2中的SQL語句。

在Hadoop WEB介面中找到剛才執行的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是怎麼工作的

明明寫的是SQL，為什麼Hadoop WEB介面中看到的是MapReduce任務？

2.7 學會Hive的基本命令

建立、刪除表；載入資料到表；下載Hive表的資料；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《寫給大資料開發初學者的話》中第一章和第二章的流程認真完整的走了一遍，那麼你應該已經具備以下技能和知識點：

• MapReduce的原理（還是那個經典的題目，一個10G大小的檔案，給定1G大小的記憶體，如何使用Java程式統計出現次數最多的10個單詞及次數）；

• HDFS讀寫資料的流程；向HDFS中PUT資料；從HDFS中下載資料；

• 自己會寫簡單的MapReduce程式，執行出現問題，知道在哪裡檢視日誌；

• 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：建立表、刪除表、往表中載入資料、分割槽、將表中資料下載到本地；

從上面的學習，你已經瞭解到，HDFS是Hadoop提供的分散式儲存框架，它可以用來儲存海量資料，MapReduce是Hadoop提供的分散式計算框架，它可以用來統計和分析HDFS上的海量資料，而Hive則是SQL On Hadoop，Hive提供了SQL介面，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，提交執行。

此時，你的”大資料平臺”是這樣的：那麼問題來了，海量資料如何到HDFS上呢？

第三章：把別處的資料搞到Hadoop上

此處也可以叫做資料採集，把各個資料來源的資料採集到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等指令碼語言來使用。建議熟練掌握。

3.2 HDFS API

HDFS提供了寫資料的API，自己用程式語言將資料寫入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式使用API來寫資料到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。建議瞭解原理，會寫Demo。

3.3 Sqoop

Sqoop是一個主要用於Hadoop/Hive與傳統關係型資料庫，Oracle、MySQL、SQLServer等之間進行資料交換的開源框架。就像Hive把SQL翻譯成MapReduce一樣，Sqoop把你指定的引數翻譯成MapReduce，提交到Hadoop執行，完成Hadoop與其他資料庫之間的資料交換。

自己下載和配置Sqoop（建議先使用Sqoop1，Sqoop2比較複雜）。瞭解Sqoop常用的配置引數和方法。

使用Sqoop完成從MySQL同步資料到HDFS；使用Sqoop完成從MySQL同步資料到Hive表；如果後續選型確定使用Sqoop作為資料交換工具，那麼建議熟練掌握，否則，瞭解和會用Demo即可。

3.4 Flume

Flume是一個分散式的海量日誌採集和傳輸框架，因為“採集和傳輸框架”，所以它並不適合關係型資料庫的資料採集和傳輸。Flume可以實時的從網路協議、訊息系統、檔案系統採集日誌，並傳輸到HDFS上。

因此，如果你的業務有這些資料來源的資料，並且需要實時的採集，那麼就應該考慮使用Flume。

下載和配置Flume。使用Flume監控一個不斷追加資料的檔案，並將資料傳輸到HDFS；Flume的配置和使用較為複雜，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，是因為我們公司目前使用的Hadoop與關係型資料庫資料交換的工具，就是之前基於DataX開發的，非常好用。

可以參考我的博文《異構資料來源海量資料交換工具-Taobao DataX 下載和使用》。現在DataX已經是3.0版本，支援很多資料來源。你也可以在其之上做二次開發。有興趣的可以研究和使用一下，對比一下它與Sqoop。

第四章：把Hadoop上的資料搞到別處去

前面介紹瞭如何把資料來源的資料採集到Hadoop上，資料到Hadoop上之後，便可以使用Hive和MapReduce進行分析了。那麼接下來的問題是，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上的檔案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上的檔案同步到MySQL；使用Sqoop完成將Hive表中的資料同步到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”大資料平臺”應該是這樣的：

如果你已經按照《寫給大資料開發初學者的話2》中第三章和第四章的流程認真完整的走了一遍，那麼你應該已經具備以下技能和知識點：

知道如何把已有的資料採集到HDFS上，包括離線採集和實時採集；你已經知道sqoop（或者還有DataX）是HDFS和其他資料來源之間的資料交換工具；你已經知道flume可以用作實時的日誌採集。

從前面的學習，對於大資料平臺，你已經掌握的不少的知識和技能，搭建Hadoop叢集，把資料採集到Hadoop上，使用Hive和MapReduce來分析資料，把分析結果同步到其他資料來源。

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，明明我的資料量很小，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，按我的瞭解，最常用的按照流行度依次為SparkSQL、Impala和Presto.這三種框架基於半記憶體或者全記憶體，提供了SQL介面來快速查詢分析Hadoop上的資料。關於三者的比較，請參考1.1.

我們目前使用的是SparkSQL，至於為什麼用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對記憶體的需求太大，沒有過多資源部署。

5.1 關於Spark和SparkSQL

• 什麼是Spark，什麼是SparkSQL。

• Spark有的核心概念及名詞解釋。

• SparkSQL和Spark是什麼關係，SparkSQL和Hive是什麼關係。

• SparkSQL為什麼比Hive跑的快。

5.2 如何部署和執行SparkSQL

• Spark有哪些部署模式？

• 如何在Yarn上執行SparkSQL？

• 使用SparkSQL查詢Hive中的表。Spark不是一門短時間內就能掌握的技術，因此建議在瞭解了Spark之後，可以先從SparkSQL入手，循序漸進。

關於Spark和SparkSQL，如果你認真完成了上面的學習和實踐，此時，你的”大資料平臺”應該是這樣的。

第六章：一夫多妻制

請不要被這個名字所誘惑。其實我想說的是資料的一次採集、多次消費。

在實際業務場景下，特別是對於一些監控日誌，想即時的從日誌中瞭解一些指標（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，儘管是通過Flume採集的，但Flume也不能間隔很短就往HDFS上滾動檔案，這樣會導致小檔案特別多。

為了滿足資料的一次採集、多次消費的需求，這裡要說的便是Kafka。

6.1 關於Kafka

什麼是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，併成功執行自帶的生產者和消費者例子。使用Java程式自己編寫並執行生產者和消費者程式。Flume和Kafka的整合，使用Flume監控日誌，並將日誌資料實時傳送至Kafka。

如果你認真完成了上面的學習和實踐，此時，你的”大資料平臺”應該是這樣的。

這時，使用Flume採集的資料，不是直接到HDFS上，而是先到Kafka，Kafka中的資料可以由多個消費者同時消費，其中一個消費者，就是將資料同步到HDFS。

如果你已經按照《寫給大資料開發初學者的話3》中第五章和第六章的流程認真完整的走了一遍，那麼你應該已經具備以下技能和知識點：

• 為什麼Spark比MapReduce快。

• 使用SparkSQL代替Hive，更快的執行SQL。

• 使用Kafka完成資料的一次收集，多次消費架構。

• 自己可以寫程式完成Kafka的生產者和消費者。

從前面的學習，你已經掌握了大資料平臺中的資料採集、資料儲存和計算、資料交換等大部分技能，而這其中的每一步，都需要一個任務（程式）來完成，各個任務之間又存在一定的依賴性，比如，必須等資料採集任務成功完成後，資料計算任務才能開始執行。如果一個任務執行失敗，需要給開發運維人員傳送告警，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，資料採集、資料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執行時候，僅僅靠crontab遠遠不夠了，這時便需要一個排程監控系統來完成這件事。排程監控系統是整個資料平臺的中樞系統，類似於AppMaster，負責分配和監控任務。

7.1 Apache Oozie

• 1. Oozie是什麼？有哪些功能？

• 2. Oozie可以排程哪些型別的任務（程式）？

• 3. Oozie可以支援哪些任務觸發方式？

• 4. 安裝配置Oozie。

7.2 其他開源的任務排程系統

Azkaban，light-task-scheduler，Zeus，等等。另外，我這邊是之前單獨開發的任務排程與監控系統，具體請參考《大資料平臺任務排程與監控系統》。如果你認真完成了上面的學習和實踐，此時，你的”大資料平臺”應該是這樣的：

第八章：我的資料要實時

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，也可以自己寫程式來做。

8.1 Storm

• 1. 什麼是Storm？有哪些可能的應用場景？

• 2. Storm由哪些核心元件構成，各自擔任什麼角色？

• 3. Storm的簡單安裝和部署。

• 4. 自己編寫Demo程式，使用Storm完成實時資料流計算。

8.2 Spark Streaming

• 1. 什麼是Spark Streaming，它和Spark是什麼關係？

• 2. Spark Streaming和Storm比較，各有什麼優缺點？

• 3. 使用Kafka + Spark Streaming，完成實時計算的Demo程式。

至此，你的大資料平臺底層架構已經成型了，其中包括了資料採集、資料儲存與計算（離線和實時）、資料同步、任務排程與監控這幾大模組。接下來是時候考慮如何更好的對外提供資料了。

第九章：我的資料要對外

通常對外（業務）提供資料訪問，大體上包含以下方面。

• 離線：比如，每天將前一天的資料提供到指定的資料來源（DB、FILE、FTP）等；離線資料的提供可以採用Sqoop、DataX等離線資料交換工具。

• 實時：比如，線上網站的推薦系統，需要實時從資料平臺中獲取給使用者的推薦資料，這種要求延時非常低（50毫秒以內）。根據延時要求和實時資料的查詢需要，可能的方案有：HBase、Redis、MongoDB、ElasticSearch等。

• OLAP分析：OLAP除了要求底層的資料模型比較規範，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。如果你的資料模型比較規模，那麼Kylin是最好的選擇。

• 即席查詢：即席查詢的資料比較隨意，一般很難建立通用的資料模型，因此可能的方案有：Impala、Presto、SparkSQL。

這麼多比較成熟的框架和方案，需要結合自己的業務需求及資料平臺技術架構，選擇合適的。原則只有一個：越簡單越穩定的，就是最好的。

如果你已經掌握瞭如何很好的對外（業務）提供資料，那麼你的“大資料平臺”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麼三類：

• 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；多分類解決的是文字的分類；

• 聚類問題：從使用者搜尋過的關鍵詞，對使用者進行大概的歸類。

• 推薦問題：根據使用者的歷史瀏覽和點選行為進行相關推薦。

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，懂Python最好；SparkMlLib提供了一些封裝好的演算法，以及特徵處理、特徵選擇的方法。

機器學習確實牛逼高大上，也是我學習的目標。那麼，可以把機器學習部分也加進你的“大資料平臺”了。