學(xué)習(xí)大數(shù)據(jù)都需要掌握什么技術(shù)？

我們都知道現(xiàn)在學(xué)習(xí)大數(shù)據(jù)，Hadoop是其中一個必學(xué)的技術(shù)，簡單來說，Hadoop是在分布式服務(wù)器集群上存儲海量數(shù)據(jù)并運(yùn)行分布式分析應(yīng)用的一種方法。那Hadoop該學(xué)習(xí)哪些內(nèi)容？需要了解什么呢？有Hadoop經(jīng)典學(xué)習(xí)資料嗎？

HDFS

HDFS（Hadoop Distributed File System，Hadoop分布式文件系統(tǒng)），它是一個高度容錯性的系統(tǒng)，適合部署在廉價的機(jī)器上。HDFS能提供高吞吐量的數(shù)據(jù)訪問，適合那些有著超大數(shù)據(jù)集（large data set）的應(yīng)用程序。

MapReduce

通俗說MapReduce是一套從海量源數(shù)據(jù)提取分析元素末后返回結(jié)果集的編程模型，將文件分布式存儲到硬盤是第一步，而從海量數(shù)據(jù)中提取分析我們需要的內(nèi)容就是MapReduce做的事了。

MapReduce的基本原理就是：將大的數(shù)據(jù)分析分成小塊逐個分析，然后再將提取出來的數(shù)據(jù)匯總分析，從而獲得我們想要的內(nèi)容。當(dāng)然怎么分塊分析，怎么做Reduce操作非常復(fù)雜，Hadoop已經(jīng)提供了數(shù)據(jù)分析的實(shí)現(xiàn)，我們只需要編寫簡單的需求命令即可達(dá)成我們想要的數(shù)據(jù)。

關(guān)于Hadoop的使用方式：

感覺現(xiàn)在各個公司使用Hadoop的方式都不一樣，主要我覺得有兩種吧。

第一種是long running cluster形式，比如Yahoo，不要小看這個好像已經(jīng)沒什么存在感的公司，Yahoo可是Hadoop的元老之一。這種就是建立一個Data Center，然后有幾個上千Node的Hadoop Cluster一直在運(yùn)行。比較早期進(jìn)入Big Data領(lǐng)域的公司一般都在使用或者使用過這種方式。

另一種是只使用MapReduce類型。畢竟現(xiàn)在是Cloud時代，比如AWS的Elastic MapReduce。這種是把數(shù)據(jù)存在別的更便宜的地方，比如s3，自己的data center， sql database等等，需要分析數(shù)據(jù)的時候開啟一個Hadoop Cluster，Hive/Pig/Spark/Presto/Java分析完了就關(guān)掉。不用自己做Admin的工作，方便簡潔。

所以個人如果要學(xué)Hadoop的話我也建議第二種，AWS有免費(fèi)試用時間（但是EMR并不免費(fèi)，所以不要建了幾千個Node一個月后發(fā)現(xiàn)破產(chǎn)了），可以在這上面學(xué)習(xí)。更重要的是你可以嘗試各種不同的配置對于任務(wù)的影響，比如不同的版本，不同的container size，memory大小等等，這對于學(xué)習(xí)Spark非常有幫助。

總的來說Hadoop適合應(yīng)用于大數(shù)據(jù)存儲和大數(shù)據(jù)分析的應(yīng)用，適合于服務(wù)器幾千臺到幾萬臺的集群運(yùn)行，支持PB級的存儲容量。Hadoop典型應(yīng)用有：搜索、日志處理、推薦系統(tǒng)、數(shù)據(jù)分析、視頻圖像分析、數(shù)據(jù)保存等。

大數(shù)據(jù)產(chǎn)業(yè)已進(jìn)入發(fā)展的“快車道”，急需大量優(yōu)秀的大數(shù)據(jù)人才作為后盾。能夠在大數(shù)據(jù)行業(yè)崛起的初期進(jìn)入到這個行業(yè)當(dāng)中來，才有機(jī)會成為時代的弄潮兒。千鋒大數(shù)據(jù)開發(fā)新進(jìn)企業(yè)級服務(wù)器實(shí)戰(zhàn)教學(xué)，20周帶你一站式搞定匪夷所思的大數(shù)據(jù)開發(fā)技術(shù)。