大數(shù)據(jù)是什么？怎么學(xué)？這里有答案

首先給大家介紹什么叫大數(shù)據(jù)，大數(shù)據(jù)最早是在2006年谷歌提出來的，百度給他的定義為巨量數(shù)據(jù)集合，輔相成在今天大數(shù)據(jù)技術(shù)隨著互聯(lián)網(wǎng)的發(fā)展，更加迅速的成長(zhǎng)，小到個(gè)人，企業(yè)，達(dá)到國(guó)家安全，大數(shù)據(jù)的作用可見一斑，也就是近幾年大數(shù)據(jù)這個(gè)概念，隨著云計(jì)算的出現(xiàn)才凸顯出其價(jià)值，云計(jì)算與大數(shù)據(jù)的關(guān)系就像硬幣的正反面一樣，相密不可分。但是大數(shù)據(jù)的人才缺失少之又少，這就拖延了大數(shù)據(jù)的發(fā)展，所以人才培養(yǎng)真的很重要。

大數(shù)據(jù)，又稱巨量資料，指的是所涉及的數(shù)據(jù)資料量規(guī)模巨大到無法通過人腦甚至主流軟件工具，在合理時(shí)間內(nèi)達(dá)到擷取、管理、處理、并整理成為幫助企業(yè)經(jīng)營(yíng)決策更積極目的的資訊。

大數(shù)據(jù)的類型大致可分為三類：

傳統(tǒng)企業(yè)數(shù)據(jù)(Traditional enterprise data)：包括 CRM systems的消費(fèi)者數(shù)據(jù)，傳統(tǒng)的ERP數(shù)據(jù)，庫(kù)存數(shù)據(jù)以及賬目數(shù)據(jù)等。

機(jī)器和傳感器數(shù)據(jù)(Machine-generated /sensor data)：包括呼叫記錄(Call Detail Records)，智能儀表，工業(yè)設(shè)備傳感器，設(shè)備日志(通常是Digital exhaust)，交易數(shù)據(jù)等。

社交數(shù)據(jù)(Social data)：包括用戶行為記錄，反饋數(shù)據(jù)等。如Twitter，F(xiàn)acebook這樣的社交媒體平臺(tái)。

大數(shù)據(jù)挖掘商業(yè)價(jià)值的方法主要分為四種：

客戶群體細(xì)分，然后為每個(gè)群體量定制特別的服務(wù)。

模擬現(xiàn)實(shí)環(huán)境，發(fā)掘新的需求同時(shí)提高投資的回報(bào)率。

加強(qiáng)部門聯(lián)系，提高整條管理鏈條和產(chǎn)業(yè)鏈條的效率。

降低服務(wù)成本，發(fā)現(xiàn)隱藏線索進(jìn)行產(chǎn)品和服務(wù)的創(chuàng)新。

大數(shù)據(jù)應(yīng)該要學(xué)習(xí)什么呢?

學(xué)習(xí)大數(shù)據(jù)，首先我們要學(xué)習(xí)Java語言和Linux操作系統(tǒng)，這兩個(gè)是學(xué)習(xí)大數(shù)據(jù)的基礎(chǔ)，學(xué)習(xí)的順序不分前后。

Java：大家都知道Java的方向有JavaSE、JavaEE、JavaME，學(xué)習(xí)大數(shù)據(jù)要學(xué)習(xí)那個(gè)方向呢?只需要學(xué)習(xí)Java的標(biāo)準(zhǔn)版JavaSE就可以了，像Servlet、JSP、Tomcat、Struts、Spring、Hibernate，Mybatis都是JavaEE方向的技術(shù)在大數(shù)據(jù)技術(shù)里用到的并不多，只需要了解就可以了，當(dāng)然Java怎么連接數(shù)據(jù)庫(kù)還是要知道的，像JDBC一定要掌握一下，有人說Hibernate或Mybites也能連接數(shù)據(jù)庫(kù)啊，為什么不學(xué)習(xí)一下，我這里不是說學(xué)這些不好，而是說學(xué)這些可能會(huì)用你很多時(shí)間，到最后工作中也不常用，我還沒看到誰做大數(shù)據(jù)處理用到這兩個(gè)東西的，當(dāng)然你的精力很充足的話，可以學(xué)學(xué)Hibernate或Mybites的原理，不要只學(xué)API，這樣可以增加你對(duì)Java操作數(shù)據(jù)庫(kù)的理解，因?yàn)檫@兩個(gè)技術(shù)的核心就是Java的反射加上JDBC的各種使用。

Linux：因?yàn)榇髷?shù)據(jù)相關(guān)軟件都是在Linux上運(yùn)行的，所以Linux要學(xué)習(xí)的扎實(shí)一些，學(xué)好Linux對(duì)你快速掌握大數(shù)據(jù)相關(guān)技術(shù)會(huì)有很大的幫助，能讓你更好的理解hadoop、hive、hbase、spark等大數(shù)據(jù)軟件的運(yùn)行環(huán)境和網(wǎng)絡(luò)環(huán)境配置，能少踩很多坑，學(xué)會(huì)shell就能看懂腳本這樣能更容易理解和配置大數(shù)據(jù)集群。還能讓你對(duì)以后新出的大數(shù)據(jù)技術(shù)學(xué)習(xí)起來更快。

學(xué)完基礎(chǔ)，還需要學(xué)習(xí)哪些大數(shù)據(jù)技術(shù)，可以按我寫的順序?qū)W下去。

Hadoop：這是現(xiàn)在流行的大數(shù)據(jù)處理平臺(tái)幾乎已經(jīng)成為大數(shù)據(jù)的代名詞，所以這個(gè)是必學(xué)的。Hadoop里面包括幾個(gè)組件HDFS、MapReduce和YARN，HDFS是存儲(chǔ)數(shù)據(jù)的地方就像我們電腦的硬盤一樣文件都存儲(chǔ)在這個(gè)上面，MapReduce是對(duì)數(shù)據(jù)進(jìn)行處理計(jì)算的，它有個(gè)特點(diǎn)就是不管多大的數(shù)據(jù)只要給它時(shí)間它就能把數(shù)據(jù)跑完，但是時(shí)間可能不是很快所以它叫數(shù)據(jù)的批處理。YARN是體現(xiàn)Hadoop平臺(tái)概念的重要組件有了它大數(shù)據(jù)生態(tài)體系的其它軟件就能在hadoop上運(yùn)行了，這樣就能更好的利用HDFS大存儲(chǔ)的優(yōu)勢(shì)和節(jié)省更多的資源比如我們就不用再單獨(dú)建一個(gè)spark的集群了，讓它直接跑在現(xiàn)有的hadoop yarn上面就可以了。其實(shí)把Hadoop的這些組件學(xué)明白你就能做大數(shù)據(jù)的處理了，只不過你現(xiàn)在還可能對(duì)”大數(shù)據(jù)”到底有多大還沒有個(gè)太清楚的概念，聽我的別糾結(jié)這個(gè)。等以后你工作了就會(huì)有很多場(chǎng)景遇到幾十T/幾百T大規(guī)模的數(shù)據(jù)，到時(shí)候你就不會(huì)覺得數(shù)據(jù)大真好，越大越有你頭疼的。當(dāng)然別怕處理這么大規(guī)模的數(shù)據(jù)，因?yàn)檫@是你的價(jià)值所在，讓那些個(gè)搞Javaee的php的html5的和DBA的羨慕去吧。記住學(xué)到這里可以作為你學(xué)大數(shù)據(jù)的一個(gè)節(jié)點(diǎn)。

Zookeeper：這是個(gè)萬金油，安裝Hadoop的HA的時(shí)候就會(huì)用到它，以后的Hbase也會(huì)用到它。它一般用來存放一些相互協(xié)作的信息，這些信息比較小一般不會(huì)超過1M，都是使用它的軟件對(duì)它有依賴，對(duì)于我們個(gè)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(xué)習(xí)完大數(shù)據(jù)的處理了，接下來學(xué)習(xí)學(xué)習(xí)小數(shù)據(jù)的處理工具mysql數(shù)據(jù)庫(kù)，因?yàn)橐粫?huì)裝hive的時(shí)候要用到，mysql需要掌握到什么層度那?你能在Linux上把它安裝好，運(yùn)行起來，會(huì)配置簡(jiǎn)單的權(quán)限，修改root的密碼，創(chuàng)建數(shù)據(jù)庫(kù)。這里主要的是學(xué)習(xí)SQL的語法，因?yàn)閔ive的語法和這個(gè)非常相似。

Sqoop：這個(gè)是用于把Mysql里的數(shù)據(jù)導(dǎo)入到Hadoop里的。當(dāng)然你也可以不用這個(gè)，直接把Mysql數(shù)據(jù)表導(dǎo)出成文件再放到HDFS上也是一樣的，當(dāng)然生產(chǎn)環(huán)境中使用要注意Mysql的壓力。

Hive：這個(gè)東西對(duì)于會(huì)SQL語法的來說就是神器，它能讓你處理大數(shù)據(jù)變的很簡(jiǎn)單，不會(huì)再費(fèi)勁的編寫MapReduce程序。有的人說Pig那?它和Pig差不多掌握一個(gè)就可以了。

Oozie：既然學(xué)會(huì)Hive了，我相信你一定需要這個(gè)東西，它可以幫你管理你的Hive或者M(jìn)apReduce、Spark腳本，還能檢查你的程序是否執(zhí)行正確，出錯(cuò)了給你發(fā)報(bào)警并能幫你重試程序，最重要的是還能幫你配置任務(wù)的依賴關(guān)系。我相信你一定會(huì)喜歡上它的，不然你看著那一大堆腳本，和密密麻麻的crond是不是有種想屎的感覺。

Hbase：這是Hadoop生態(tài)體系中的NOSQL數(shù)據(jù)庫(kù)，他的數(shù)據(jù)是按照key和value的形式存儲(chǔ)的并且key是唯一的，所以它能用來做數(shù)據(jù)的排重，它與MYSQL相比能存儲(chǔ)的數(shù)據(jù)量大很多。所以他常被用于大數(shù)據(jù)處理完成之后的存儲(chǔ)目的地。

Kafka：這是個(gè)比較好用的隊(duì)列工具，隊(duì)列是干嗎的?排隊(duì)買票你知道不?數(shù)據(jù)多了同樣也需要排隊(duì)處理，這樣與你協(xié)作的其它同學(xué)不會(huì)叫起來，你干嗎給我這么多的數(shù)據(jù)(比如好幾百G的文件)我怎么處理得過來，你別怪他因?yàn)樗皇歉愦髷?shù)據(jù)的，你可以跟他講我把數(shù)據(jù)放在隊(duì)列里你使用的時(shí)候一個(gè)個(gè)拿，這樣他就不在抱怨了馬上灰流流的去優(yōu)化他的程序去了，因?yàn)樘幚聿贿^來就是他的事情。而不是你給的問題。當(dāng)然我們也可以利用這個(gè)工具來做線上實(shí)時(shí)數(shù)據(jù)的入庫(kù)或入HDFS，這時(shí)你可以與一個(gè)叫Flume的工具配合使用，它是專門用來提供對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單處理，并寫到各種數(shù)據(jù)接受方(比如Kafka)的。

Spark：它是用來彌補(bǔ)基于MapReduce處理數(shù)據(jù)速度上的缺點(diǎn)，它的特點(diǎn)是把數(shù)據(jù)裝載到內(nèi)存中計(jì)算而不是去讀慢的要死進(jìn)化還特別慢的硬盤。特別適合做迭代運(yùn)算，所以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?yàn)樗鼈兌际怯肑VM的。