数据学习路线(完整详细版)
java(Java se,javaweb)
Linux(shell,⾼并发架构,lucene,solr)魔鬼天使三部曲
Hadoop(Hadoop,HDFS,Mapreduce,yarn,hive,hbase,sqoop,zookeeper,flume)
机器学习(R,mahout)
Storm(Storm,kafka,redis)
Spark(scala,spark,spark core,spark sql,spark streaming,spark mllib,spark graphx)
Python(python,spark python)
计算平台(docker,kvm,openstack)
名词解释
对于⼩⽩学习⼤数据需要注意的点有很多,但⽆论如何,既然你选择了进⼊⼤数据⾏业,那么便只顾风⾬兼程。正所谓不忘初⼼、⽅得始终,学习⼤数据你最需要的还是⼀颗持之以恒的⼼。
⼀、Linux
lucene: 全⽂检索引擎的架构
solr: 基于lucene的全⽂搜索服务器,实现了可配置、可扩展并对查询性能进⾏了优化,并且提供了⼀个完善的功能管理界⾯。
今天为⼤家整理了部分⼤数据学习教程与⼤家共享,每个⼈可以根据⾃⼰的需要来选择,需要的⼩伙伴可以+下学习资料分享裙 199加上427最后是210数字连起来就是了。
⼆、Hadoop
HDFS: 分布式存储系统,包含NameNode,DataNode。NameNode:元数据,DataNode。DataNode:存数数据。
yarn: 可以理解为MapReduce的协调机制,本质就是Hadoop的处理分析机制,分为ResourceManager NodeManager。MapReduce: 软件框架,编写程序。
Hive: 数据仓库 可以⽤SQL查询,可以运⾏Map/Reduce程序。⽤来计算趋势或者⽹站⽇志,不应⽤于实时查询,需要很长时间返回结果。
HBase: 数据库。⾮常适合⽤来做⼤数据的实时查询。Facebook⽤Hbase存储消息数据并进⾏消息实时的分析
ZooKeeper: 针对⼤型分布式的可靠性协调系统。Hadoop的分布式同步等靠Zookeeper实现,例如多个NameNode,active standby 切换。
Sqoop: 数据库相互转移,关系型数据库和HDFS相互转移三年级作文辅导
Mahout: 可扩展的机器学习和数据挖掘库。⽤来做推荐挖掘,聚集,分类,频繁项集挖掘。
Chukwa: 开源收集系统,监视⼤型分布式系统,建⽴在HDFS和Map/Reduce框架之上。显⽰、监视、分析结果。
Ambari: ⽤于配置、管理和监视Hadoop集,基于Web,界⾯友好。
⼆、Cloudera
Cloudera Manager: 管理 监控 诊断 集成
Cloudera CDH:(Cloudera's Distribution,including Apache Hadoop) Cloudera对Hadoop做了相应的改变,发⾏版本称为CDH。
Cloudera Flume: ⽇志收集系统,⽀持在⽇志系统中定制各类数据发送⽅,⽤来收集数据。
Cloudera Impala: 对存储在Apache Hadoop的HDFS,HBase的数据提供直接查询互动的SQL。
Cloudera hue: web管理器,包括hue ui,hui server,hui db。hue提供所有CDH组件的shell界⾯的接⼝,可以在hue编写mr。
三、机器学习/R
R: ⽤于统计分析、绘图的语⾔和操作环境,⽬前有Hadoop-R
mahout: 提供可扩展的机器学习领域经典算法的实现,包括聚类、分类、推荐过滤、频繁⼦项挖掘
等,且可通过Hadoop扩展到云中。
四、storm
Storm: 分布式,容错的实时流式计算系统,可以⽤作实时分析,在线机器学习,信息流处理,连续性计算,分布式RPC,实时处理消息并更新数据库。
崔智友主演的电视剧
Kafka: ⾼吞吐量的分布式发布订阅消息系统,可以处理消费者规模的⽹站中的所有动作流数据(浏览,搜索等)。相对Hadoop的⽇志数据和离线分析,可以实现实时处理。⽬前通过Hadoop的并⾏加载机制来统⼀线上和离线的消息处理
Redis: 由c语⾔编写,⽀持⽹络、可基于内存亦可持久化的⽇志型、key-value型数据库。
五、Spark
原神无相之岩Scala: ⼀种类似java的完全⾯向对象的编程语⾔。
jblas: ⼀个快速的线性代数库(JAVA)。基于BLAS与LAPACK,矩阵计算实际的⾏业标准,并使⽤先进的基础设施等所有的计算程序的ATLAS艺术的实现,使其⾮常快。
Spark: Spark是在Scala语⾔中实现的类似于Hadoop MapReduce的通⽤并⾏框架,除了Hadoop MapReduce所具有的优点,但不同于MapReduce的是job中间输出结果可以保存在内存中,从⽽不需要读写HDFS,因此Spark能更好的适⽤于数据挖掘与机器学习等需要迭代的MapReduce算法。可以和Hadoop⽂件系统并⾏运作,⽤过Mesos的第三⽅集框架可以⽀持此⾏为。
Spark SQL: 作为Apache Spark⼤数据框架的⼀部分,可⽤于结构化数据处理并可以执⾏类似SQL的Spark数据查询
Spark Streaming:⼀种构建在Spark上的实时计算框架,扩展了Spark处理⼤数据流式数据的能⼒。
Spark MLlib: MLlib是Spark是常⽤的机器学习算法的实现库,⽬前(2014.05)⽀持⼆元分类,回归,聚类以及协同过滤。同时也包括⼀个底层的梯度下降优化基础算法。MLlib以来jblas线性代数库,jblas本⾝以来远程的Fortran程序。
Spark GraphX: GraphX是Spark中⽤于图和图并⾏计算的API,可以在Spark之上提供⼀站式数据解决⽅案,可以⽅便且⾼效地完成图计算的⼀整套流⽔作业。
Fortran: 最早出现的计算机⾼级程序设计语⾔,⼴泛应⽤于科学和⼯程计算领域。
BLAS: 基础线性代数⼦程序库,拥有⼤量已经编写好的关于线性代数运算的程序。
LAPACK: 著名的公开软件,包含了求解科学与⼯程计算中最常见的数值线性代数问题,如求解线性⽅程组、线性最⼩⼆乘问题、特征值问题和奇异值问题等。
ATLAS: BLAS线性算法库的优化版本。
Spark Python: Spark是由scala语⾔编写的,但是为了推⼴和兼容,提供了java和python接⼝。什么叫本科一批二批
六、Python
Python: ⼀种⾯向对象的、解释型计算机程序设计语⾔。
七、云计算平台
刘伯姬
Docker: 开源的应⽤容器引擎
kvm: (Keyboard Video Mouse)
openstack:  开源的云计算管理平台项⽬