大資料如何學習，大資料工程師學習經驗分享

     目前 已經成為一名大資料工程師了，想把相應的經驗傳授給後來人，大家共同學習。

先說一下簡單的，後續更新。

學習過程中的要點：

1.要有很強的學習興趣和長久的堅持。

2.有一定的計算機基礎，不建議零基礎

3.找一份初級的大資料工程師工作，工作中學習是最快的

4.找到志同道合的學友，一起學習才不會累。

大資料基礎學習路線：

學習大資料首先我們要學習Java語言和Linux作業系統，這兩個是學習大資料的基礎，學習的順序不分前後。

在這裡還是要推薦下我自己建的大資料學習交流群:199427210，群裡都是學大資料開發的，如果你正在學習大資料 ，小編歡迎你加入,大家都是軟體開發黨，不定期分享乾貨（只有大資料軟體開發相關的），包括我自己整理的一份2018最新的大資料進階資料和高階開發教程，歡迎進階中和進想深入大資料的小夥伴加入。

Java

大家都知道Java的方向有JavaSE、JavaEE、JavaME，學習大資料要學習那個方向呢？只需要學習Java的標準版JavaSE就可

以了，像Servlet、JSP、Tomcat、Struts、Spring、Hibernate，Mybatis都是JavaEE方向的技術在大資料技術裡用到的並

不多，只需要瞭解就可以了，當然Java怎麼連線資料庫還是要知道的，像JDBC一定要掌握一下。

有同學說Hibernate或Mybites也能連線資料庫啊，為什麼不學習一下，我這裡不是說學這些不好，而是說學這些可能會用你

很多時間，到最後工作中也不常用，我還沒看到誰做大資料處理用到這兩個東西的，當然你的精力很充足的話，可以學學

Hibernate或Mybites的原理，不要只學API，這樣可以增加你對Java運算元據庫的理解，因為這兩個技術的核心就是Java的

反射加上JDBC的各種使用。

Linux

因為大資料相關軟體都是在Linux上執行的，所以Linux要學習的紮實一些，學好Linux對你快速掌握大資料相關技術會有很大

的幫助，能讓你更好的理解hadoop、hive、hbase、spark等大資料軟體的執行環境和網路環境配置，能少踩很多坑，學會

shell就能看懂指令碼這樣能更容易理解和配置大資料叢集。還能讓你對以後新出的大資料技術學習起來更快。

好說完基礎了，再說說還需要學習哪些大資料技術，可以按我寫的順序學下去。

Hadoop

這是現在流行的大資料處理平臺幾乎已經成為大資料的代名詞，所以這個是必學的。Hadoop裡面包括幾個元件HDFS、

MapReduce和YARN，HDFS是儲存資料的地方就像我們電腦的硬碟一樣檔案都儲存在這個上面，MapReduce是對資料進

行處理計算的，它有個特點就是不管多大的資料只要給它時間它就能把資料跑完，但是時間可能不是很快所以它叫資料的批

處理。

YARN是體現Hadoop平臺概念的重要元件有了它大資料生態體系的其它軟體就能在hadoop上執行了，這樣就能更好的利用

HDFS大儲存的優勢和節省更多的資源比如我們就不用再單獨建一個spark的叢集了，讓它直接跑在現有的hadoop yarn上面

就可以了。

其實把Hadoop的這些元件學明白你就能做大資料的處理了，只不過你現在還可能對"大資料"到底有多大還沒有個太清楚的

概念，聽我的別糾結這個。等以後你工作了就會有很多場景遇到幾十T/幾百T大規模的資料，到時候你就不會覺得資料大真

好，越大越有你頭疼的。當然別怕處理這麼大規模的資料，因為這是你的價值所在，讓那些個搞Javaee的php的html5的和

DBA的羨慕去吧。

記住學到這裡可以作為你學大資料的一個節點。

Zookeeper

這是個萬金油，安裝Hadoop的HA的時候就會用到它，以後的Hbase也會用到它。它一般用來存放一些相互協作的資訊，這

些資訊比較小一般不會超過1M，都是使用它的軟體對它有依賴，對於我們個人來講只需要把它安裝正確，讓它正常的run起

來就可以了。

Mysql

我們學習完大資料的處理了，接下來學習學習小資料的處理工具mysql資料庫，因為一會裝hive的時候要用到，mysql需要掌

握到什麼層度那？你能在Linux上把它安裝好，執行起來，會配置簡單的許可權，修改root的密碼，建立資料庫。這裡主要的是

學習SQL的語法，因為hive的語法和這個非常相似。

Sqoop

這個是用於把Mysql裡的資料匯入到Hadoop裡的。當然你也可以不用這個，直接把Mysql資料表匯出成檔案再放到HDFS上

也是一樣的，當然生產環境中使用要注意Mysql的壓力。

Hive

這個東西對於會SQL語法的來說就是神器，它能讓你處理大資料變的很簡單，不會再費勁的編寫MapReduce程式。有的人說

Pig那？它和Pig差不多掌握一個就可以了。

Oozie

既然學會Hive了，我相信你一定需要這個東西，它可以幫你管理你的Hive或者MapReduce、Spark指令碼，還能檢查你的程式

是否執行正確，出錯了給你發報警並能幫你重試程式，最重要的是還能幫你配置任務的依賴關係。我相信你一定會喜歡上它

的，不然你看著那一大堆指令碼，和密密麻麻的crond是不是有種想屎的感覺。

Hbase

這是Hadoop生態體系中的NOSQL資料庫，他的資料是按照key和value的形式儲存的並且key是唯一的，所以它能用來做數

據的排重，它與MYSQL相比能儲存的資料量大很多。所以他常被用於大資料處理完成之後的儲存目的地。

Kafka

這是個比較好用的佇列工具，佇列是幹嗎的？排隊買票你知道不？資料多了同樣也需要排隊處理，這樣與你協作的其它同學

不會叫起來，你幹嗎給我這麼多的資料（比如好幾百G的檔案）我怎麼處理得過來，你別怪他因為他不是搞大資料的，你可

以跟他講我把資料放在佇列裡你使用的時候一個個拿，這樣他就不在抱怨了馬上灰流流的去最佳化他的程式去了。

因為處理不過來就是他的事情。而不是你給的問題。當然我們也可以利用這個工具來做線上實時資料的入庫或入HDFS，這

時你可以與一個叫Flume的工具配合使用，它是專門用來提供對資料進行簡單處理，並寫到各種資料接受方（比如Kafka）

的。

Spark

它是用來彌補基於MapReduce處理資料速度上的缺點，它的特點是把資料裝載到記憶體中計算而不是去讀慢的要死進化還特

別慢的硬碟。特別適合做迭代運算，所以演算法流們特別稀飯它。它是用scala編寫的。Java語言或者Scala都可以操作它，因

為它們都是用JVM的。

會這些東西你就成為一個專業的大資料開發工程師了，月薪2W都是小毛毛雨

後續提高 ：當然還是有很有可以提高的地方，比如學習下python，可以用它來編寫網路爬蟲。這樣我們就可以自己造資料

了，網路上的各種資料你高興都可以下載到你的叢集上去處理。

最後再學習下推薦、分類等演算法的原理這樣你能更好的與演算法工程師打交通。這樣你的公司就更離不開你了，大家都會對你

喜歡的不要不要的。