Tony1029

V1

2022/03/10阅读:20主题:嫩青

大数据必须了解的

大数据需要用到的技术

一、使用的技术:

1、Java

大家都知道Java的方向有JavaSE、JavaEE、JavaME,学习大数据要学习那个方向呢?只需要学习Java的标准版JavaSE就可以了,像Servlet、JSP、Tomcat、Struts、Spring、Hibernate,Mybatis都是JavaEE方向的技术在大数据技术里用到的并不多,只需要了解就可以了,当然Java怎么连接数据库还是要知道的,像JDBC一定要掌握一下。

有人说Hibernate或Mybites也能连接数据库啊,为什么不学习一下,我这里不是说学这些不好,而是说学这些可能会用你很多时间,到最后工作中也不常用,我还没看到谁做大数据处理用到这两个东西的,当然你的精力很充足的话,可以学学Hibernate或Mybites的原理,不要只学API,这样可以增加你对Java操作数据库的理解,因为这两个技术的核心就是Java的反射加上JDBC的各种使用。

2、Linux

因为大数据相关软件都是在Linux上运行的,所以Linux要学习的扎实一些。

3、Hadoop

这是现在流行的大数据处理平台几乎已经成为大数据的代名词,所以这个是必学的。Hadoop里面包括几个组件HDFS、MapReduce和YARN,HDFS是存储数据的地方就像我们电脑的硬盘一样文件都存储在这个上面,MapReduce是对数据进行处理计算的,它有个特点就是不管多大的数据只要给它时间它就能把数据跑完,但是时间可能不是很快所以它叫数据的批处理。

YARN是体现Hadoop平台概念的重要组件有了它大数据生态体系的其它软件就能在hadoop上运行了,这样就能更好的利用HDFS大存储的优势和节省更多的资源比如我们就不用再单独建一个spark的集群了,让它直接跑在现有的hadoop yarn上面就可以了。

其实把Hadoop的这些组件学明白你就能做大数据的处理了,只不过你现在还可能对"大数据"到底有多大还没有个太清楚的概念,听我的别纠结这个。等以后你工作了就会有很多场景遇到几十T/几百T大规模的数据,到时候你就不会觉得数据大真好,越大越有你头疼的。当然别怕处理这么大规模的数据,因为这是你的价值所在,让那些个搞Javaee的php的html5的和DBA的羡慕去吧。

4、Zookeeper

这是个万金油,安装Hadoop的HA的时候就会用到它,以后的Hbase也会用到它。它一般用来存放一些相互协作的信息,这些信息比较小一般不会超过1M,都是使用它的软件对它有依赖,对于我们个人来讲只需要把它安装正确,让它正常的run起来就可以了。

5、Mysql

小数据的处理工具mysql数据库,因为一会装hive的时候要用到,mysql需要掌握到什么层度那?你能在Linux上把它安装好,运行起来,会配置简单的权限,修改root的密码,创建数据库。这里主要的是学习SQL的语法,因为hive的语法和这个非常相似。

6、Sqoop

这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个,直接把Mysql数据表导出成文件再放到HDFS上也是一样的,当然生产环境中使用要注意Mysql的压力。

7、Hive

这个东西对于会SQL语法的来说就是神器,它能让你处理大数据变的很简单,不会再费劲的编写MapReduce程序。有的人说Pig那?它和Pig差不多掌握一个就可以了。

8、Oozie

既然学会Hive了,我相信你一定需要这个东西,它可以帮你管理你的Hive或者MapReduce、Spark脚本,还能检查你的程序是否执行正确,出错了给你发报警并能帮你重试程序,最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的,不然你看着那一大堆脚本,和密密麻麻的crond是不是有种想屎的感觉。

9、Hbase

这是Hadoop生态体系中的NOSQL数据库,他的数据是按照key和value的形式存储的并且key是唯一的,所以它能用来做数据的排重,它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。

10、Kafka

这是个比较好用的队列工具,队列是干吗的?排队买票你知道不?数据多了同样也需要排队处理,这样与你协作的其它同学不会叫起来,你干吗给我这么多的数据(比如好几百G的文件)我怎么处理得过来,你别怪他因为他不是搞大数据的,你可以跟他讲我把数据放在队列里你使用的时候一个个拿,这样他就不在抱怨了马上灰流流的去优化他的程序去了。

因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS,这时你可以与一个叫Flume的工具配合使用,它是专门用来提供对数据进行简单处理,并写到各种数据接受方(比如Kafka)的。

11、Spark

它是用来弥补基于MapReduce处理数据速度上的缺点,它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算,所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它,因为它们都是用JVM的。

二、大数据技术有哪些?

一、大数据收集

大数据收集就是从数据源里把数据采集出来,并且储存到数据存储中;数据源主要包括NDC、sqoop、storm、zookeeper等;

二、大数据储存

收集到大量复杂的信息之后,需要能够进行储存的数据库。大数据储存就是用存储器,采用数据库的形式。储存采集到数据的过程,主要有Hadoop、hbase、yarn、kudu等,对于不同类型的数据要使用不同的储存数据。

三、大数据清洗

随着业务数据量的不断增多,越来越多复杂的数据要进行清洗,这时就需要用到任务调度系统,像oozie、azkaban,能对关键的任务进行调度和监控。

四、数据查询分析

对于如何将复杂的大数据整合成我们需要用到的信息问题,就涉及到了数据的分析处理,主要用到的程序有hive、spark、solr等。

五、大数据可视化分析

主要是以图表的形式,清楚高效的将信息传达出来的分析手段,应用于有关联的庞大数据,借助分析的平台,对看似无用的数据进行相互之间的关联,并且能够给出完整的分析图表,应用于指导决策的过程。

大数据开发:

Java: Java的方向有JavaSE、JavaEE、JavaME,但大数据开发只需要学习Java的标准版JavaSE就可以了

Linux: 因为大数据相关软件都是在Linux上运行的,所以Linux的基础一定要打好。

Hadoop: 这是现在流行的大数据处理平台几乎已经成为大数据的代名词,所以这个是必学的。

Zookeeper: 这是个万金油,安装Hadoop的HA的时候就会用到它,以后的Hbase也会用到它。

Mysql: 小数据的处理工具mysql数据库,用于装hive,能够在Linux上把它安装好,运行起来,会配置简单的权限,修改root的密码,创建数据库。

Sqoop: 这个是用于把Mysql里的数据导入到Hadoop里的。

Hive: 主要作用是让处理大数据变的很简单,不会再费劲的编写MapReduce程序。

Spark: 它是用来弥补基于MapReduce处理数据速度上的缺点,它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。

三、大数据需要的过程

大数据技术主要都包括数据的收集、存取、处理与挖掘,还有基础架构、模型预测、统计分析还有结果呈现

1、数据收集: 而大数据的采集目前主要有4种来源:物理信息系统、Web信息系统、管理信息系统和科学实验系统。它是根据MapReduce产生数据的应用系统分类。在大数据的生命周期当中,它是处在第一个环节的。

2、数据存取: 根据大数据的存取所采用的不同的技术路线,大致上可分为三大类。第一类主要是面对有关于大规模的结构化数据。第二类则主要面对的是半结构化以及非结构化数据。第三类面对的是一种有关于结构化还有非结构化混合的大数据。

3、数据处理: 对于所采集到的不同的数据集,很有可能存在着不同的结构与模式,如文件、XML树或者是关系表等,它们所表现出来的是数据的异构性。对于多个异构的这些数据集,需要做的就是进一步的集成处理或者是进行整合处理,把来自不同数据集的数据进行收集、整理、清洗、转换之后,再生成到一个新的数据集内,为后续查询和分析处理提供统一的数据视图。

4、数据挖掘: 目前来讲,大数据技术还需要改进已有的数据挖掘和机器学习技术;要进行开发数据网络挖掘、特异群组挖掘以及图挖掘等一些新型的数据挖掘技术;突破其中基于对象的数据连接还有相似性连接等在其中的大数据融合技术;同时还要突破用户兴趣的分析、网络行为的分析、情感语义的分析等这些面向领域相关的大数据挖掘技术。

5、基础架构: 目前的基础架构一般有云存储、分布式文件存储等。

6、模型预测: 当前的模型预测的技术有预测模型、机器学习以及建模仿真。

7、统计分析: 因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析(最优尺度分析)、显著性检验、假设检验、相关分析、差异分析、T检验、方差分析、卡方分析、距离分析、偏相关分析、曲线估计、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、bootstrap技术等等。

8、结果呈现: 标签云、云计算、关系图等。

分类:

后端

标签:

后端

作者介绍

Tony1029
V1