新手大数据学习路线规划

大数据如此火热的现在，想必许多小伙伴都想要加入这个行业。也是我们今天就要拿出收藏已久的大数据学习计划。帮助你不走弯路，迈向大数据之路。

1

大数据应用离不开基础软件的支撑，且大部分大数据组件部署在 Linux 操作系统上的用户空间，也有很多组件也借鉴了Linux 操作系统的一些设计精髓，所以 Linux 既是大数据的强力支撑，也是很多性能问题的支撑者。

同时数据库的相关知识也是必要的基础，熟悉 MySQL 数据库的安装与部署，还有备份和恢复等都是重点。

所以在第一部分的学习中我们需要达到以下目标：

1、通过对 Linux 操作系统体系结构、 服务管理、包管理、NTP 协议时间 服务器、关系型数据库理论和 MySQL 数据库等相关知识的学习，

掌握大部分安装部署 Hadoop 集群操作系统层面的技能，为后续搭建 Hdoop 集群、对 比 RDBMS 与 NoSQL 数据库打基 础。

2、通过对 Linux 文件系统、内核参数、内存结构、以及 Java 虚 拟机等相关知识的学习，为后续学习分布式文件系统， Hadoop 集群优化扫清操作系统层 面知识的障碍

2

Hadoop 由许多元素构成。其最底部是HDFS，它存储 Hadoop 集群中所有存储节点上的文件。HDFS(对于本文)的上一层是MapReduce 引擎，通过对Hadoop分布式计算平台最核心的分布式文件系统HDFS、MapReduce处理过程，以及数据仓库工具Hive和分布式数据库Hbase的介绍，基本涵盖了Hadoop分布式平台的所有技术核心。

还有Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据。在大数据中也起到一定作用。

本模块通过学习HDFS，YARN(MapReduce)Spark 等核 心组件，了解Hadoop 的基本运行框架。

所以在第二部分的学习中我们需要达到以下目标：

1、

搭建单节点模拟分布式集群，熟悉 HDFS 命令;

掌握 HDFS 体系结 构，读写流程，能 dump HDFS 元 数据文件;

理解 Flume 组件架构， 并能用 Flume 向 HDFS 平台导入文 本日志;

2、

搭建多节点、可扩展集群;

部署 HDFS HA 架构;

理解并实现 Hadoop YARN 的多 租户架构

掌握 Zookeeper 组件原理;

掌握 Hadoop 集群优化路径;

3

传统数据仓库在面对更大规模数据时显得力不从心，在寄希望于大数据平台时，MapReduce 编程门槛让很多数据分析师望而却步，而Hive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，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类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。

本模块通过学习 Hive、Impala 等大数据 SQL 分析组件，让用户将隐匿在泥沙之下的数据价值挖掘出来。

所以在第三部分的学习中我们需要达到以下目标：

1、

安装部署 Hive;

理解 Hive 架构及执行原理 ;

Hive 的优化(分区、桶) ;

Hive SQL 语句优化;

Hive 常见故障诊断;

4

在上个模块中，OLAP 类型的需求得到了很好的解决方案，即针对数据查询分析的应用。但是这些组件对于数据的随机删改并不擅长。针对此种 OLTP 类型应用，大数据生态系统中有另外一类 组件处理这样的问题，那就是 NoSQL 家族。这部分将介绍 NoSQL 的数据模型和分类，着重讲述最具代表的 HBase。

ZooKeeper是一个分布式的，开放源码的分布式应用程序协调服务，，是Hadoop和Hbase的重要组件。它是一个为分布式应用提供一致性服务的软件，提供的功能包括:配置维护、名字服务、分布式同步、组服务等。在本部分也会涉及。

所以在第四部分的学习中我们需要达到以下目标：

1

理解HBase 体系结构水平扩展的 优势; 部署 HBase ;

设计 HBase 表;

2

理解 zookeeper 在 HBase集群中的作用;

掌握 HBase Schema 设计注意 事项;

理解 HBase 协处理器;

掌握 HBase 备份恢复步骤;

5

SQL 语句属于声明式编程语言，这种 Relational 方式擅长处理结构化数据。大数据的数据来源种类繁多，数据类型多种多样，SQL 并不能处理所有问题。所以需要用 procedural 方式，即编程 方式处理复杂多变的数据类型和应用。本章介绍 MapReduce、Spark编程模型，着重讲述利用 Python 在 Spark 平台做数据转换和分析。

所以在第五部分的学习中我们需要达到以下目标：

1

能指出 Spark 组件的产生背景;

掌握 Spark 与 RDD 的关系;

了解 RDD 使用场景，熟悉 RDD 操作; 使用 RDD 方法做日志分析;

理解 Spark-on-YARN 运行原 理;

掌握数据持久化方法。

2

理解 Spark 共享变量及使用场 景;

在程序中使用广播变量和累加 器;

理解 Spark SQL 的产生的历史背 景;

创建 DataFrame 和 DataSet;

使用 SparkSQL 关联结构数据与 非机构化数据 ;

能够利用 Spark 实现客户群的分 类;

5

前面5部分学习完毕之后，对于大数据平台的大部分问题，相比大家都会有思路去解决了。系统稳定运行之后，就要考虑运行的好不好，快不快。本模块针对 HDFS 数据、HBase 数据、实时抓取数 据加索引，以及 Spark Streaming 流式处理技术做重点介绍，为大数据处理提速

所以在第六部分的学习中我们需要达到以下目标：

1

. 理解 Solr Cloud 组件架构及原 理;

掌握 MapReduce 对静态数据索 引过程;

掌握 Flume 对实时数据索引过 程;

理解 HBase 索引实现原理-协处 理器; 掌握 HBase Lily 对 HBase 数据索引过 程;

介绍 Cloudera Search

2

了解流式计算的基本概念及分类 方式;

掌握 Flume、Kafka 组件的架构 及原理;

用 Flume、Kafka、Spark Streaming 搭建 简单的流式处理应 用;

学会使用状态保持及滑动窗口等 流式计算 特性;

3

事物的原理和规律隐藏在纷繁杂乱的数据中，如何从数据中将他们挖掘出来服务生产生活，大数据的核心价值体现在此。 本模块我们一起学习数据科学的数学基础、机器学习的算法。因为Spark 正在取代 MapReduce 成为大数据平台数据处理的全新引擎，它也使得在大数据环境下高效的运用数据科学成为可能， 所以我们着重介绍基于 Spark 的机器学习的实现， 把握大数据的发展趋势，步入数据科学的殿堂。

所以在第七部分的学习中我们需要达到以下目标：

1、掌握数据科学的数据基础，掌握统 计学基础知识。

2、 掌握机器学习理论; 掌握 推荐系统和决策系统原理

3、掌握 Spark Mllib 组件架构; 利用 Spark Mllib 实现推荐器; . 学会引用常用机器学习算法。

选修

1.大数据Hadoop生态系统的组建大部分是java编写，但95%的企业是直接使用不会修改组建，所以培训课程包含冗长的java是不科学的。不过对于Java能做到一点了解还是不错的。

2.web开发html及javascript，只是在大数据可视化阶段才会用到，并不是大数据课程的核心内容，所以有需要的同学再去学习吧。

3.R 语言具有丰富的统计方法，大多数人使用R语言是因为其具有强大的统计功能， R 语言内部包含了许多经典统计技术的环境。通过对 R 语言基础知识的学习，了解 R 数据分析的通用流程 。同时学习R 语言在 Spark 计算框架的基本使用方法，可以为实现更强大的数据分析打基础。

4.大数据时代需要数据开放，同时又需要保障敏感数据的安全。企业如何保障数据中心的安全性成为即将面临的重大课题，所以 Hadoop 集群的安全机制可以学习一下。

同时可以在学习路上对照一下下面这张大数据知识体系。相信你完成这份学习计划后，任何大数据方面的工作都可以胜任。