一、大数据相关工作介绍
大数据方向的工作目前主要分为三个主要方向:
-
大数据工程师
-
数据分析师
-
大数据科学家
-
其他(数据挖掘等)
二、大数据工程师的技能要求
必须掌握的技能
-
Java高级(虚拟机、并发)
-
Linux 基本操作
-
Hadoop(HDFS+MapReduce+Yarn )
-
HBase(JavaAPI操作+Phoenix )
-
Hive(Hql基本操作和原理理解)
-
Kafka
-
Storm/JStorm
-
Scala
-
Python
-
Spark (Core+sparksql+Spark streaming )
-
辅助小工具(Sqoop/Flume/Oozie/Hue等)
高阶技能
-
机器学习算法以及mahout库加MLlib
-
R语言
-
Lambda 架构
-
Kappa架构
-
Kylin
-
Alluxio
三、学习路径
假设每天可以抽出3个小时的有效学习时间,加上周末每天保证10个小时的有效学习时间;
3个月会有(21*3+4*2*10)*3=423小时的学习时间。
第一阶段(基础阶段)
1)Linux学习(跟鸟哥学就ok了)—–20小时
-
Linux操作系统介绍与安装。
-
Linux常用命令。
-
Linux常用软件安装。
-
Linux网络。
-
防火墙。
-
Shell编程等。
官网:https://www.centos.org/download/
中文社区:http://www.linuxidc.com/Linux/2017-09/146919.htm
2)Java 高级学习(《深入理解Java虚拟机》、《Java高并发实战》)—30小时
-
掌握多线程。
-
掌握并发包下的队列。
-
了解JMS。
-
掌握JVM技术。
-
掌握反射和动态代理。
官网:https://www.java.com/zh_CN/
中文社区:http://www.java-cn.com/index.html
3)Zookeeper学习(可以参照这篇博客进行学习:http://www.cnblogs.com/wuxl360/p/5817471.html)
-
Zookeeper分布式协调服务介绍。
-
Zookeeper集群的安装部署。
-
Zookeeper数据结构、命令。
-
Zookeeper的原理以及选举机制。
官网:http://zookeeper.apache.org/
中文社区:http://www.aboutyun.com/forum-149-1.html
第二阶段(攻坚阶段)
4)Hadoop (《Hadoop 权威指南》)—80小时
-
HDFS
-
HDFS的概念和特性。
-
HDFS的shell操作。
-
HDFS的工作机制。
-
HDFS的Java应用开发。
-
-
MapReduce
-
运行WordCount示例程序。
-
了解MapReduce内部的运行机制。
-
MapReduce程序运行流程解析。
-
MapTask并发数的决定机制。
-
MapReduce中的combiner组件应用。
-
MapReduce中的序列化框架及应用。
-
MapReduce中的排序。
-
MapReduce中的自定义分区实现。
-
MapReduce的shuffle机制。
-
MapReduce利用数据压缩进行优化。
-
MapReduce程序与YARN之间的关系。
-
MapReduce参数优化。
-
-
-
MapReduce的Java应用开发
官网:http://hadoop.apache.org/
中文文档:http://hadoop.apache.org/docs/r1.0.4/cn/
中文社区:http://www.aboutyun.com/forum-143-1.html
5)Hive(《Hive开发指南》)–20小时
-
Hive 基本概念
-
Hive 应用场景。
-
Hive 与hadoop的关系。
-
Hive 与传统数据库对比。
-
Hive 的数据存储机制。
-
-
Hive 基本操作
-
Hive 中的DDL操作。
-
在Hive 中如何实现高效的JOIN查询。
-
Hive 的内置函数应用。
-
Hive shell的高级使用方式。
-
Hive 常用参数配置。
-
Hive 自定义函数和Transform的使用技巧。
-
Hive UDF/UDAF开发实例。
-
-
Hive 执行过程分析及优化策略
官网:https://hive.apache.org/
中文入门文档:http://www.aboutyun.com/thread-11873-1-1.html
中文社区:http://www.aboutyun.com/thread-7598-1-1.html
6)HBase(《HBase权威指南》)—20小时
-
hbase简介。
-
habse安装。
-
hbase数据模型。
-
hbase命令。
-
hbase开发。
-
hbase原理。
官网:http://hbase.apache.org/
中文文档:http://abloz.com/hbase/book.html
中文社区:http://www.aboutyun.com/forum-142-1.html
7)Scala(《快学Scala》)–20小时
-
Scala概述。
-
Scala编译器安装。
-
Scala基础。
-
数组、映射、元组、集合。
-
类、对象、继承、特质。
-
模式匹配和样例类。
-
了解Scala Actor并发编程。
-
理解Akka。
-
理解Scala高阶函数。
-
理解Scala隐式转换。
官网:http://www.scala-lang.org/
初级中文教程:http://www.runoob.com/scala/scala-tutorial.html
8)Spark (《Spark 权威指南》)—60小时
-
Spark core
-
Spark概述。
-
Spark集群安装。
-
执行第一个Spark案例程序(求PI)。
-
-
RDD
-
RDD概述。
-
创建RDD。
-
RDD编程API(Transformation 和 Action Operations)。
-
RDD的依赖关系
-
RDD的缓存
-
DAG(有向无环图)
3.Spark SQL and DataFrame/DataSet
-
Spark SQL概述。
-
DataFrames。
-
DataFrame常用操作。
-
编写Spark SQL查询程序。
4.Spark Streaming
-
park Streaming概述。
-
理解DStream。
-
DStream相关操作(Transformations 和 Output Operations)。
5.Structured Streaming
6.其他(MLlib and GraphX )
9)Python (推荐廖雪峰的博客—30小时
10)自己用虚拟机搭建一个集群,把所有工具都装上,自己开发一个小demo —30小时
