一、大数据岗位方向分类

（1）基础平台开发：

Java 为主。主要做统一数据开发平台、大数据源码级别扩展优化、提供提升开发效率的工具、元数据管理、数据质量管理等。技能要求：Java，Zookeeper，Hadoop，Hive，Spark，Kafka等。

（2）数据产品开发：

服务端 Java 为主，全部容器化管理服务。主要是数据报表平台、数据分析平台等。

（3）数据仓库：

如果数据开发平台比较完善，一般以 sql 为主，不管是离线计算，还是实时计算，都只需要在数据开发平台上提交 sql 任务即可。更专注数据模型的建设，能够快速实现用户的数据分析需求。如果平台不够完善，实时计算可能还是需要写代码，scala 为主。

技能要求：数据建模、报表开发、理解业务

（4）数据分析：

sql为主。分析数据趋势，挖掘潜在价值。要求：数据分析技能+Hadoop+Hive+部分Java

（5）算法：

Scala，Python，R 。特征提取、算法模型的优化。要求：算法

二、大数据工具之间的关系

如业界最流行的分布式计算平台Spark，学习三部曲：
（1）可以通过这篇文章（如何用形象的比喻描述大数据的技术生态？Hadoop、Hive、Spark 之间是什么关系？）来了解一下大数据的生态。
（2）可以通过 Spark 的官方教程尝试写一个 Spark Hello World 程序（在之前的 SparrowRecSys 里面新建一个 Scala 文件就可以）。
（3）使用了 Spark 的机器学习库 Spark MLlib，所可以通过这个官方教程来做一些初步的了解。

Hadoop生态圈（或者泛生态圈）即为大数据服务。

之前在sparrow项目中也用到过大数据的工具，如pyspark等，在58同城的推荐系统中，策略层的计算工具也是用到了Hive、MapReduce等：

图源：58同城推荐系统架构

（1）怎么存下大数据

传统的文件系统是单机的，不能横跨不同的机器。HDFS（Hadoop Distributed FileSystem）的设计本质上是为了大量的数据能横跨成百上千台机器，但是你看到的是一个文件系统而不是很多文件系统。比如你说我要获取/hdfs/tmp/file1的数据，你引用的是一个文件路径，但是实际的数据存放在很多不同的机器上。

你作为用户，不需要知道这些，就好比在单机上你不关心文件分散在什么磁道什么扇区一样。HDFS为你管理这些数据。

（2）怎么处理数据

虽然HDFS可以为你整体管理不同机器上的数据，但是这些数据太大了。一台机器读取成T上P的数据，一台机器慢慢跑也许需要好几天甚至好几周。对于很多公司来说，单机处理是不可忍受的，比如微博要更新24小时热博，它必须在24小时之内跑完这些处理。

如果要用很多台机器处理，就面临了如何分配工作，如果一台机器挂了如何重新启动相应的任务，机器之间如何互相通信交换数据以完成复杂的计算等等。这就是MapReduce / Tez / Spark的功能：

• MapReduce是第一代计算引擎。MapReduce的设计，采用了很简化的计算模型，只有Map和Reduce两个计算过程（中间用Shuffle串联），用这个模型，已经可以处理大数据领域很大一部分问题了。
• Tez和Spark是第二代计算引擎。

（3）什么是Map，什么是Reduce？

• 场景需求：要统计一个巨大的文本文件存储在类似HDFS上，你想要知道这个文本里各个词的出现频率。
• 步骤：
  • 启动了一个MapReduce程序。Map阶段，几百台机器同时读取这个文件的各个部分，分别把各自读到的部分分别统计出词频，产生类似（hello, 12100次），（world，15214次）等等这样的Pair（我这里把Map和Combine放在一起说以便简化）；
  • 这几百台机器各自都产生了如上的集合，然后又有几百台机器启动Reduce处理。Reducer机器A将从Mapper机器收到所有以A开头的统计结果，机器B将收到B开头的词汇统计结果（当然实际上不会真的以字母开头做依据，而是用函数产生Hash值以避免数据串化。因为类似X开头的词肯定比其他要少得多，而你不希望数据处理各个机器的工作量相差悬殊）。然后这些Reducer将再次汇总，（hello，12100）＋（hello，12311）＋（hello，345881）= （hello，370292）。每个Reducer都如上处理，你就得到了整个文件的词频结果。

Map＋Reduce的简单模型很黄很暴力，虽然好用，但是很笨重。第二代的Tez和Spark除了内存Cache之类的新feature，本质上来说，是让Map/Reduce模型更通用，让Map和Reduce之间的界限更模糊，数据交换更灵活，更少的磁盘读写，以便更方便地描述复杂算法，取得更高的吞吐量。

（4）更高层描述算法和数据处理

有了MapReduce，Tez和Spark之后，程序员发现，MapReduce的程序写起来真麻烦。他们希望简化这个过程。这就好比你有了汇编语言，虽然你几乎什么都能干了，但是你还是觉得繁琐。你希望有个更高层更抽象的语言层来描述算法和数据处理流程。于是就有了Pig和Hive。

• Pig是接近脚本方式去描述MapReduce，
• Hive则用的是SQL。

它们把脚本和SQL语言翻译成MapReduce程序，丢给计算引擎去计算，而你就从繁琐的MapReduce程序中解脱出来，用更简单更直观的语言去写程序了。有了Hive之后，人们发现SQL对比Java有巨大的优势：

• 一个是它太容易写了。刚才词频的东西，用SQL描述就只有一两行，MapReduce写起来大约要几十上百行。
• 数据分析师不再乞求工程师帮忙，工程师也不用写奇怪的处理程序。Hive逐渐成为大数据仓库的核心组件，很多公司的流水线作业集完全是用SQL描述，易写易改易维护。

自从数据分析人员开始用Hive分析数据之后，发现Hive在MapReduce上跑，非常慢。流水线作业集也许没啥关系，比如24小时更新的推荐，反正24小时内跑完就算了。但是数据分析师总希望跑更快点，如查多少人在过去一小时内看了A商品和B商品。于是Impala，Presto，Drill诞生了（当然还有无数非著名的交互SQL引擎，就不一一列举了）。三个系统的核心理念是，MapReduce引擎太慢，因为它太通用，太强壮，太保守，我们SQL需要更轻量，更激进地获取资源，更专门地对SQL做优化，而且不需要那么多容错性保证（因为系统出错了大不了重新启动任务，如果整个处理时间更短的话，比如几分钟之内）。这些系统让用户更快速地处理SQL任务，牺牲了通用性稳定性等特性。如果说MapReduce是大砍刀，砍啥都不怕，那上面三个就是剔骨刀，灵巧锋利，但是不能搞太大太硬的东西。

这些这些系统，说实话，一直没有达到人们期望的流行度。因为这时候又两个异类被造出来了。他们是Hive on Tez / Spark和SparkSQL。它们的设计理念是，MapReduce慢，但是如果我用新一代通用计算引擎Tez或者Spark来跑SQL，那我就能跑的更快。而且用户不需要维护两套系统。这就好比如果你厨房小，人又懒，对吃的精细程度要求有限，那你可以买个电饭煲，能蒸能煲能烧，省了好多厨具。

上面的介绍，基本就是一个数据仓库的构架了。底层HDFS，上面跑MapReduce／Tez／Spark，在上面跑Hive，Pig。或者HDFS上直接跑Impala，Drill，Presto。这解决了中低速数据处理的要求。

（5）流计算

那如果我要更高速的处理呢？如果我是一个类似微博的公司，我希望显示不是24小时热博，我想看一个不断变化的热播榜，更新延迟在一分钟之内，上面的手段都将无法胜任。于是又一种计算模型被开发出来，这就是Streaming（流）计算。
Storm是最流行的流计算平台。

流计算的思路是，如果要达到更实时的更新，我何不在数据流进来的时候就处理了？比如还是词频统计的例子，我的数据流是一个一个的词，我就让他们一边流过我就一边开始统计了。流计算很牛逼，基本无延迟，但是它的短处是，不灵活，你想要统计的东西必须预先知道，毕竟数据流过就没了，你没算的东西就无法补算了。因此它是个很好的东西，但是无法替代上面数据仓库和批处理系统。

（6）KV Store

还有一个有些独立的模块是KV Store，比如Cassandra，HBase，MongoDB以及很多很多很多很多其他的（多到无法想象）。所以KV Store就是说，我有一堆键值，我能很快速滴获取与这个Key绑定的数据。比如我用身份证号，能取到你的身份数据。这个动作用MapReduce也能完成，但是很可能要扫描整个数据集。

而KV Store专用来处理这个操作，所有存和取都专门为此优化了。从几个P的数据中查找一个身份证号，也许只要零点几秒。这让大数据公司的一些专门操作被大大优化了。比如我网页上有个根据订单号查找订单内容的页面，而整个网站的订单数量无法单机数据库存储，我就会考虑用KV Store来存。KV Store的理念是，基本无法处理复杂的计算，大多没法JOIN，也许没法聚合，没有强一致性保证（不同数据分布在不同机器上，你每次读取也许会读到不同的结果，也无法处理类似银行转账那样的强一致性要求的操作）。但是就是极快。

每个不同的KV Store设计都有不同取舍，有些更快，有些容量更高，有些可以支持更复杂的操作。必有一款适合你。

除此之外，还有一些更特制的系统／组件，比如Mahout是分布式机器学习库，Protobuf是数据交换的编码和库，ZooKeeper是高一致性的分布存取协同系统，等等。

（7）调度系统Yarn

有了这么多乱七八糟的工具，都在同一个集群上运转，大家需要互相尊重有序工作。所以另外一个重要组件是，调度系统。现在最流行的是Yarn。你可以把他看作中央管理，好比你妈在厨房监工，哎，你妹妹切菜切完了，你可以把刀拿去杀鸡了。只要大家都服从你妈分配，那大家都能愉快滴烧菜。

三、大数据学习路线

（1）基础部分

linux基础和javase基础【包含mysql】 这些是基本功，刚开始也不可能学的很精通，最起码要对linux中的一些基本的命令混个脸熟，后面学习各种框架的时候都会用到，用多了就熟悉了。

（2）javase

javase的话建议主要看面向对象，集合，io，多线程，以及jdbc操作即可。

（3）zookeeper

zookeeper是很多大数据框架的基础，中文名称是动物园的意思，因为目前的大数据框架的图标很多都是动物的形状，所以zookeeper其 实就是可以管理很多大数据框架的。针对这个框架，主要掌握如何搭建单节点和集群，以及掌握如何在zkcli客户端下对zookeeper的节点进行增删改 查操作即可。

（4）hadoop

目前企业中一般都是用hadoop2.x的版本了，所以就没有必要再去学hadoop1.x版本了，hadoop2.x主要包含三大块 hdfs 前期，主要学习hdfs的一些命令即可，上传，下载，删除，移动，查看等命令… mapreduce 这个需要重点学习下，要理解mr的原理以及代码实现，虽然现在工作中真正写mr的代码次数很少了，但是原理还是要理解的。 yarn 前期了解即可，只需要知道yarn是一个资源调度平台，主要负责给任务分配资源即可，yarn不仅可以给mapreduce任务调度资源，还可以为 spark任务调度资源…yarn是一个公共的资源调度平台，所有满足条件的框架都可以使用yarn来进行资源调度。

（5）hive

hive是一个数据仓库，所有的数据都是存储在hdfs上的，具体【数据仓库和数据库】的区别大家可以去网上搜索一下，有很多介绍。其实如果对 mysql的使用比较熟悉的话，使用hive也就简单很多了，使用hive主要是写hql，hql是hive的sql语言，非常类似于mysql数据库的 sql，后续学习hive的时候主要理解一些hive的语法特性即可。

其实hive在执行hql，底层在执行的时候还是执行的mapredce程序。 注意：其实hive本身是很强大的，数据仓库的设计在工作中也是很重要的，但是前期学习的时候，主要先学会如何使用就好了。后期可以好好研究一下hive。

（6）hbase

hbase是一个nosql 数据库，是一个key-value类型的数据库，底层的数据存储在hdfs上。在学习hbase的时候主要掌握 row-key的设计，以及列簇的设计。要注意一个特点就是，hbase基于rowkey查询效率很快，可以达到秒级查询，但是基于列簇中的列进行查询， 特别是组合查询的时候，如果数据量很大的话，查询性能会很差。

（7）redis

redis也是一个nosql 数据库和key-value类型的数据库，但是这个数据库是纯基于内存的，也就是redis数据库中的数据都是存储在内存中的，所以它的一个特点就是适用 于快速读写的应用场景，读写可以达到10W次/秒，但是不适合存储海量数据，毕竟机器的内存是有限的，当然，redis也支持集群，也可以存储大量数据。 在学习redis的时候主要掌握string，list，set，sortedset，hashmap这几种数据类型的区别以及使用，还有 pipeline管道，这个在批量入库数据的时候是非常有用的，以及transaction事务功能。 flume flume是一个日志采集工具，这个还是比较常用的，最常见的就是采集应用产生的日志文件中的数据。一般有两个流程，一个是flume采集数据存 储到kafka中，为了后面使用storm或者sparkstreaming进行实时处理。另一个流程是flume采集的数据落盘到hdfs上，为了后期 使用hadoop或者spark进行离线处理。在学习flume的时候其实主要就是学会看flume官网的文档，学习各种组建的配置参数，因为使用 flume就是写各种的配置。

（8）kafka

kafka 是一个消息队列，在工作中常用于实时处理的场景中，作为一个中间缓冲层，例如，flume->kafka->storm/sparkstreaming。学习kafka主要掌握topic，partition，replicate等的概念和原理。 storm storm是一个实时计算框架，和hadoop的区别就是，hadoop是对离线的海量数据进行处理，而storm是对实时新增的每一条数据进行 处理，是一条一条的处理，可以保证数据处理的时效性。学习storm主要学习topology的编写，storm并行度的调整，以及storm如何整合 kafka实时消费数据。

（9）spark

spark 现在也发展成了一个生态圈，spark里面包含很多技术，spark core，spark steaming，spark mlib，spark graphx。 spark生态圈里面包含的有离线处理spark core，和实时处理spark streaming，在这里需要注意一下，storm和spark streaming ，两个都是实时处理框架，但是主要区别是：storm是真正的一条一条的处理，而spark streaming 是一批一批的处理。

spark中包含很多框架，在刚开始学习的时候主要学习spark core和spark streaming即可。这个一般搞大数据的都会用到。spark mlib和spark graphx 可以等后期工作需要或者有时间了在研究即可。

（10）elasticsearch

elasticsearch是一个适合海量数据实时查询的全文搜索引擎，支持分布式集群，其实底层是基于lucene的。在查询的时候支持快速模 糊查询，求count，distinct，sum，avg等操作，但是不支持join操作。elasticsearch目前也有一个生态 圈，elk(elasticsearch logstash kibana)是一个典型的日志收集，存储，快速查询出图表的一整套解决方案。在学习elasticsearch的时候，前期主要学习如何使用es进行增 删改查，es中的index，type，document的概念，以及es中的mapping的设计。

四、databricks使用教程

databricks是基于spark的云服务，能够提供数据处理的单独空间（不受托管环境和hadoop集群管理的影响）

（1）创建账号后（注意最好在谷歌浏览器上），创建一个新集群cluster，选择“ Databricks Runtime”版本（Databricks Runtime是一组在Databricks管理的群集上运行的核心组件。 它包括Apache Spark等）。

创建好集群后就是这样样子：

（2）创建一个新的笔记本，可以发现和jupyter notebook是类似的，可以选定我们的默认语言和集群cluster：

此处常用的快捷键（win环境）：
Shift + Enter键运行单元格
Ctrl + Enter保持运行相同的单元格，而无需移动到下一个单元格

（3）将数据上传到Databricks，如果木有数据集，可以用iris数据集测试一波，上传好数据集后：

（4）现在可以使用UI创建表，以便可以可视化表并在集群上预览。 可以观察表的属性。 Spark将尝试检测出每列的数据类型，使得我们能对其进行编辑。

在集群上可视化表：

这里我们可以为各列添加标题，以便可以通过其标题而不是_c0 ， _c1等等来标识每一列。

这里可以将标题设置为“分隔长度”，“分隔宽度”，“花瓣长度”，“花瓣宽度”和“类”（Sepal Length, Sepal Width, Petal Length, Petal Width and Class）。 在这里，Spark错误地将前四列的数据类型检测为String，因此我们可以手动将其更改为所需的数据类型Float。

（5）笔记本电脑访问数据：Spark是一个框架，可用于使用SQL，机器学习，图形处理或实时流分析来分析大数据。 这里使用SparkSQL和Dataframes。注意上次数据集后还要create table（左下角蓝色的，否则读不到表）：

在notebook中可以执行语句读表：

（6）根据数据表画图也非常方便：

（7）将Spark数据框转换为Pandas数据框：

import pandas as pd
pandas_df=df.toPandas()

（8）查看Spark UI ：在左侧栏的compute中，点击cluster会进入如下界面，找到spark UI，UI视图提供了有关在集群上执行的每个作业，阶段，环境和执行SQL查询的大量信息。 该UI有助于用户调试其应用程序。 此外，此UI还提供了关于Spark的良好可视化效果。具体介绍可以参考链接。

（9）导出notebook文件，有多种文件类型可选（如HTML形式导出）：

Reference

[1] https://www.zhihu.com/question/27974418
[2] 黑马【Python+大数据】学习路线图
[3] 2022黑马hadoop入门视频 hive部分
[4] 架构师hive视频教程
[5] 易百教程-hive教程
[6] 厦门大学大数据实验室
[7] Hive学习路线图 Hive安装和使用攻略
[8] hive有道笔记（尚硅谷）
[9] 尚硅谷hive视频教程
[10] 阿里云搭建Hadoop集群
[11] 从阿里云轻量服务器安装Hadoop及环境配置
[12] 阿里云ECS服务器部署HADOOP集群（一）：Hadoop完全分布式集群环境搭建
[13] How to get started with Databricks