【学习】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。在国内百度云存储、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，例如百度、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：

1 hadoop HDFS文件系统的特征

• 存储极大数目的信息（terabytes or petabytes），将数据保存到大量的节点当中。支持很大单个文件。
• 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。
• 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。
• HDFS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。

2 Hadoop简介(1):什么是Map/Reduce

3 Mapreduce 整个工作机制图

4 Hadoop mapper类的阅读

5 Hadoop reducer类的阅读

6 Mapreduce shuffle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：http://pan.baidu.com/s/1iNuj 密码：ywwh

· hadoop相关文档下载 链接: http://pan.baidu.com/s/1gdwtu1t 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hadoop eclipse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！ http://blog.cloudera.com/blog/2013/01/apache-hadoop-in-2013-the-state-of-the-platform/

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:

• Apache Hadoop: 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。
• Apache 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，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。
• Apache Pig: 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Pig Latin，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。
• Apache HBase: 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PC Server上搭建起大规模结构化存储集群。
• Apache Sqoop: 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。
• Apache Zookeeper: 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
• Apache Mahout: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。
• Apache Cassandra: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Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身
• Apache Avro: 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
• Apache Ambari: 是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。
• Apache Chukwa: 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。
• Apache Hama: 是一个基于HDFS的BSP（Bulk Synchronous Parallel)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。
• Apache Flume: 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。
• Apache Giraph: 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 (bulk synchronous parallel) 和 Google 的 Pregel。
• Apache Oozie: 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。
• Apache Crunch: 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
• Apache Whirr: 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Amazon EC2和Rackspace的服务。
• Apache Bigtop: 是一个对Hadoop及其周边生态进行打包，分发和测试的工具。
• Apache HCatalog: 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。
• Cloudera Hue: 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Kmeans
• 用Mahout构建职位推荐引擎

Sqoop

• Sqoop学习路线图

Cassandra

• Cassandra学习路线图
• Cassandra单集群实验2个节点
• R利剑NoSQL系列文章 之 Cassandra

Hadoop课程资源

《十节课带你走进hadoop世界》

《Hadoop从入门上手工作》

《hadoop之DataGuru视频》

《Hadoop数据分析》

《云计算hadoop实战视频》

《Cloudera Hadoop课程培训》