Hadoop大数据学习线路图.docx

Hadoop大数据学习线路图.docx

《Hadoop大数据学习线路图.docx》由会员分享，可在线阅读，更多相关《Hadoop大数据学习线路图.docx（18页珍藏版）》请在冰豆网上搜索。

Hadoop大数据学习线路图

Hadoop大数据学习线路图

入门知识

对于我们新手入门学习hadoop的朋友来说，首先了解一下云计算和云计算技术是有必要的。

下面先是介绍云计算和云计算技术的：

云计算，是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机和其他设备，主要是基于互联网的相关服务地增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。

云是网络、互联网的一种比喻说法。

过去在图中往往用云来表示电信网，后来也用来表示互联网和底层基础设施的抽象。

狭义云计算指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务地交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。

这种服务可以是IT和软件、互联网相关，也可是其他服务。

它意味着计算也可作为一种商品通过互联网进行流通。

什么是云计算？

什么是云计算技术？

在世界上云计算已经大面流行，有很流行的Google、Drive、SkyDrive、Dropbox、亚马逊云服务等等。

在国内XX云存储、360云存储都是比较流行的。

我们接下来就应该会想到大数据存储，目前开源市场上最流行的应该是hadoop分布式存储，已经有大部分互联网公司已经开始使用，例如XX、360、阿里巴巴，其中一部分公司已经把hadoop作为他们的核心产品例如英特尔、IBM并为部分工作提供过大数据的解决方案，

大家可以了解一下英特尔在不行业提供的解决方案：

·面向智能交通的大数据和英特尔®智能系统解决方案

·物联网商机和技术挑战（英特尔）

·大数据在医疗行业的应用

·英特尔IT开源混合云

Hadoop基础

Hadoop是一个能够对大量数据进行分布式处理的软件框架，它是一种技术的实现，是云计算技术中重要的组成部分，云计算的概念更广泛且偏向业务而不是必须拘泥于某项具体技术，云计算的存在只是一种新的商业计算模型和服务模式。

因此，云计算才会出现“横看成岭侧成峰，远近高低各不同”，各种各样层出不穷的理解。

对于初学hadoop的朋友来说可能基于迫切寻找一本入门的书，我个人觉得不用于急于寻找书，先了解hadoop是否做什么、它能做什么、能带来什么hadoop使用场景、Hadoop到底能做什么？

怎么用hadoop？

，当大家对这些有所了解，就会如何入手学习hadoop接下来大家应该进行系统性的学习hadoop了，我个人建议不要盲目的去搭建hadoop环境，熟悉了解hadoop基本知识及其所需要的知识例如java基础、linux环境、linux常用命令，它相关产品及其衍生产品，他们之间是什么关系如何工作，每个产品它们的特点是什么，

下面是hadoop一些基本知识：

1hadoopHDFS文件系统的特征

o存储极大数目的信息（terabytesorpetabytes），将数据保存到大量的节点当中。

支持很大单个文件。

o提供数据的高可靠性，单个或者多个节点不工作，对系统不会造成任何影响，数据仍然可用。

o提供对这些信息的快速访问，并提供可扩展的方式。

能够通过简单加入更多服务器的方式就能够服务更多的客户端。

oHDFS是针对MapReduce设计的，使得数据尽可能根据其本地局部性进行访问与计算。

2Hadoop简介

（1）:

什么是Map/Reduce

3Mapreduce整个工作机制图

4Hadoopmapper类的阅读

5Hadoopreducer类的阅读

6Mapreduceshuffle和排序

上面这些都是hadoop核心部分，当这些有所了解后，大家基本上可以具备大家hadoop环境的条了。

hadoop部署方式为单机模式、伪分布式、完全分布式。

对单机模式大家可以不用去关心和学习，在学习中我个人建议是搭建伪分布式，完全分布式是生产环境中使用，当大家把伪分布式后，必须对完全分布式有所了解，知道是如何工作的，也可以试着搭建hadoop的完成分布式。

现在hadoop已经发行了最新的2.2.x版本，但是不测试不够全面不够稳定，大家应该选择比较稳定的版本学习，因为在公司中还是会使用稳定的版本，2.2.x版本中一些处理机制和方案是值得我们学习的，需要有所了解的是，Hadoop各个发布版的特性以及稳定性。

下面是搭建hadoop的安装步骤：

搭建伪分布式：

hadoop伪分布式搭建完全分布式：

hadoop三节点集群安装配置详细实例

大家这些有了基础性的学习后，这时候是比较适合找本书来系统性的学习hadoop。

·Hadoop权威指南（第2版）分享地址：

密码：

ywwh

·hadoop相关文档下载链接:

密码:

slml

有一点想提醒初学的朋友，在学习hadoop开发的时候不要使用hadoopeclipse插件，这样会给你带来不必要的问题，你可以在eclipse使用maven工具下载hadoop资源包，然后写好mapreduce代码打包后传上自己的服务，使用命令启动运行。

Hadoop家族产品

截止到2013年，根据cloudera的统计，Hadoop家族产品已经达到20个！

接下来，我把这20个产品，分成了2类。

▪第一类，是我已经掌握的

▪第二类，是TODO准备继续学习的

一句话产品介绍:

▪ApacheHadoop:

是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目（HDFS）和支持MapReduce分布式计算的软件架构。

▪ApacheHive:

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，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。

▪ApachePig:

是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫PigLatin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。

▪ApacheHBase:

是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PCServer上搭建起大规模结构化存储集群。

▪ApacheSqoop:

是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL,Oracle,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。

▪ApacheZookeeper:

是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务

▪ApacheMahout:

是基于Hadoop的机器学习和数据挖掘的一个分布式框架。

Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。

▪ApacheCassandra:

是一套开源分布式NoSQL数据库系统。

它最初由Facebook开发，用于储存简单格式数据，集GoogleBigTable的数据模型与AmazonDynamo的完全分布式的架构于一身

▪ApacheAvro:

是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。

Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制

▪ApacheAmbari:

是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。

▪ApacheChukwa:

是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合Hadoop处理的文件保存在HDFS中供Hadoop进行各种MapReduce操作。

▪ApacheHama:

是一个基于HDFS的BSP（BulkSynchronousParallel）并行计算框架,Hama可用于包括图、矩阵和网络算法在内的大规模、大数据计算。

▪ApacheFlume:

是一个分布的、可靠的、高可用的海量日志聚合的系统，可用于日志数据收集，日志数据处理，日志数据传输。

▪ApacheGiraph:

是一个可伸缩的分布式迭代图处理系统，基于Hadoop平台，灵感来自BSP（bulksynchronousparallel）和Google的Pregel。

▪ApacheOozie:

是一个工作流引擎服务器,用于管理和协调运行在Hadoop平台上（HDFS、Pig和MapReduce）的任务。

▪ApacheCrunch:

是基于Google的FlumeJava库编写的Java库，用于创建MapReduce程序。

与Hive，Pig类似，Crunch提供了用于实现如连接数据、执行聚合和排序记录等常见任务的模式库

▪ApacheWhirr:

是一套运行于云服务的类库（包括Hadoop），可提供高度的互补性。

Whirr学支持AmazonEC2和Rackspace的服务。

▪ApacheBigtop:

是一个对Hadoop及其周边生态进行打包，分发和测试的工具。

▪ApacheHCatalog:

是基于Hadoop的数据表和存储管理，实现中央的元数据和模式管理，跨越Hadoop和RDBMS，利用Pig和Hive提供关系视图。

▪ClouderaHue:

是一个基于WEB的监控和管理系统，实现对HDFS，MapReduce/YARN,HBase,Hive,Pig的web化操作和管理。

Hadoop家族学习路线图

下面我将分别介绍各个产品的安装和使用，以我经验总结我的学习路线。

Hadoop

▪Hadoop学习路线（参考Hadoop基础）

▪Yarn学习路线图

▪用Maven构建Hadoop项目

▪Hadoop历史版本安装

▪Hadoop编程调用HDFS

▪海量Web日志分析用Hadoop提取KPI统计指标

▪用Hadoop构建电影推荐系统

▪创建Hadoop母体虚拟机

▪克隆虚拟机增加Hadoop节点

▪R语言为Hadoop注入统计血脉

▪RHadoop实践系列之一Hadoop环境搭建

Hive

▪Hive学习路线图

▪Hive安装及使用攻略

▪Hive导入10G数据的测试

▪R利剑NoSQL系列文章之Hive

▪用RHive从历史数据中提取逆回购信息

Pig

▪Pig学习路线图

Zookeeper

▪Zookeeper学习路线图

▪ZooKeeper伪分步式集群安装及使用

▪ZooKeeper实现分布式队列Queue

▪ZooKeeper实现分布式FIFO队列

HBase

▪HBase学习路线图

▪RHadoop实践系列之四rhbase安装与使用

Mahout

▪Mahout学习路线图

▪用R解析Mahout用户推荐协同过滤算法（UserCF）

▪RHadoop实践系列之三R实现MapReduce的协同过滤算法

▪用Maven构建Mahout项目

▪Mahout推荐算法API详解

▪从源代码剖析Mahout推荐引擎

▪Mahout分步式程序开发基于物品的协同过滤ItemCF

▪Mahout分步式程序开发聚类Km