大數(shù)據(jù)需要知識(shí)總結(jié)

大數(shù)據(jù)需要知識(shí)總結(jié)大數(shù)據(jù)需要學(xué)習(xí)什么?很多人問過我這個(gè)問題。每一次回答完都覺得自己講得太片面了，總是沒有一個(gè)合適的契機(jī)去好好總結(jié)這些內(nèi)容，直到開始寫這篇東西。大數(shù)據(jù)是近五年興起的行業(yè)，發(fā)展迅速，很多技術(shù)經(jīng)過這些年的迭代也變得比較成熟了，同時(shí)新的東西也不斷涌現(xiàn)，想要保持自己競爭力的唯一辦法就是不斷學(xué)習(xí)。思維導(dǎo)圖下面的是我整理的一張思維導(dǎo)圖，內(nèi)容分成幾大塊，包括了分布式計(jì)算與查詢，分布式調(diào)度與管理，持久化存儲(chǔ)，大數(shù)據(jù)常用的編程語言等等內(nèi)容，每個(gè)大類下有很多的開源工具，這些就是作為大數(shù)據(jù)程序猿又愛又恨折騰得死去活來的東西了。大數(shù)據(jù)需要的語言Javajava可以說是大數(shù)據(jù)最基礎(chǔ)的編程語言，據(jù)我這些年的經(jīng)驗(yàn)，我接觸的很大一部分的大數(shù)據(jù)開發(fā)都是從JaveWeb開發(fā)轉(zhuǎn)崗過來的（當(dāng)然也不是絕對我甚至見過產(chǎn)品轉(zhuǎn)崗大數(shù)據(jù)開發(fā)的，逆了個(gè)天）。一是因?yàn)榇髷?shù)據(jù)的本質(zhì)無非就是海量數(shù)據(jù)的計(jì)算，查詢與存儲(chǔ)，后臺(tái)開發(fā)很容易接觸到大數(shù)據(jù)量存取的應(yīng)用場景二就是java語言本事了，天然的優(yōu)勢，因?yàn)榇髷?shù)據(jù)的組件很多都是用java開發(fā)的像HDFS,Yam,Hbase,MR,Zookeeper等等，想要深入學(xué)習(xí)，填上生產(chǎn)環(huán)境中踩到的各種坑，必須得先學(xué)會(huì)java然后去啃源碼。說到啃源碼順便說一句，開始的時(shí)候肯定是會(huì)很難，需要對組件本身和開發(fā)語言都有比較深入的理解，熟能生巧慢慢來，等你過了這個(gè)階段，習(xí)慣了看源碼解決問題的時(shí)候你會(huì)發(fā)現(xiàn)源碼真香。Scalascala和java很相似都是在jvm運(yùn)行的語言，在開發(fā)過程中是可以無縫互相調(diào)用的。Scala在大數(shù)據(jù)領(lǐng)域的影響力大部分都是來自社區(qū)中的明星Spar^Dkafka,這兩個(gè)東西大家應(yīng)該都知道（后面我會(huì)有文章多維度介紹它們），它們的強(qiáng)勢發(fā)展直接帶動(dòng)了Scala在這個(gè)領(lǐng)域的流行。Python和Shellshell應(yīng)該不用過多的介紹非常的常用，屬于程序猿必備的通用技能。python更多的是用在數(shù)據(jù)挖掘領(lǐng)域以及寫一些復(fù)雜的且shell難以實(shí)現(xiàn)的日常腳本。分布式計(jì)算什么是分布式計(jì)算?分布式計(jì)算研究的是如何把一個(gè)需要非常巨大的計(jì)算能力才能解決的問題分成許多小的部分，然后把這些部分分配給許多服務(wù)器進(jìn)行處理，最后把這些計(jì)算結(jié)果綜合起來得到最終的結(jié)果。舉個(gè)栗子，就像是組長把一個(gè)大項(xiàng)目拆分，讓組員每個(gè)人開發(fā)一部分，最后將所有人代碼merge，大項(xiàng)目完成。聽起來好像很簡單，但是真正參與過大項(xiàng)目開發(fā)的人一定知道中間涉及的內(nèi)容可不少。比如這個(gè)大項(xiàng)目如何拆分?任務(wù)如何分配?每個(gè)人手頭已有工作怎么辦?每個(gè)人能力不一樣怎么辦?每個(gè)人開發(fā)進(jìn)度不一樣怎么辦?開發(fā)過程中組員生病要請長假他手頭的工作怎么辦?指揮督促大家干活的組長請假了怎么辦?最后代碼合并過程出現(xiàn)問題怎么辦?項(xiàng)目延期怎么辦?項(xiàng)目最后黃了怎么辦?仔細(xì)想想上面的奪命十連問，其實(shí)每一條都是對應(yīng)了分布式計(jì)算可能會(huì)出現(xiàn)的問題，具體怎么對應(yīng)大家思考吧我就不多說了，其實(shí)已經(jīng)是非常明顯了。也許有人覺得這些問題其實(shí)在多人開發(fā)的時(shí)候都不重要不需要特別去考慮怎么辦，但是在分布式計(jì)算系統(tǒng)中不一樣，每一個(gè)都是非常嚴(yán)重并且非?；A(chǔ)的問題，需要有很好的解決方案。最后提一下，分布式計(jì)算目前流行的工具有：離線工具Spark,MapReduce等實(shí)時(shí)工具SparkStreaming,Storm,Flink等這幾個(gè)東西的區(qū)別和各自的應(yīng)用場景我們之后再聊。分布式存儲(chǔ)傳統(tǒng)的網(wǎng)絡(luò)存儲(chǔ)系統(tǒng)采用的是集中的存儲(chǔ)服務(wù)器存放所有數(shù)據(jù)，單臺(tái)存儲(chǔ)服務(wù)器的io能力是有限的，這成為了系統(tǒng)性能的瓶頸，同時(shí)服務(wù)器的可靠性和安全性也不能滿足需求，尤其是大規(guī)模的存儲(chǔ)應(yīng)用。分布式存儲(chǔ)系統(tǒng)，是將數(shù)據(jù)分散存儲(chǔ)在多臺(tái)獨(dú)立的設(shè)備上。采用的是可擴(kuò)展的系統(tǒng)結(jié)構(gòu)，利用多臺(tái)存儲(chǔ)服務(wù)器分擔(dān)存儲(chǔ)負(fù)荷，利用位置服務(wù)器定位存儲(chǔ)信息，它不但提高了系統(tǒng)的可靠性、可用性和存取效率，還易于擴(kuò)展。hdfs的存儲(chǔ)架構(gòu)圖，hdfs作為分布式文件系統(tǒng)，兼?zhèn)淞丝煽啃院蛿U(kuò)展性，數(shù)據(jù)存儲(chǔ)3份在不同機(jī)器上（兩份存在同一機(jī)架，一份存在其他機(jī)架）保證數(shù)據(jù)不丟失。由NameNode統(tǒng)一管理元數(shù)據(jù)，可以任意擴(kuò)展集群。主流的分布式數(shù)據(jù)庫有很多hbase，mongoDB，GreenPlum，redis等等等等，沒有孰好孰壞之分，只有合不合適，每個(gè)數(shù)據(jù)庫的應(yīng)用場景都不同，其實(shí)直接比較是沒有意義的，后續(xù)我也會(huì)有文章一個(gè)個(gè)講解它們的應(yīng)用場景原理架構(gòu)等。分布式調(diào)度與管理現(xiàn)在人們好像都很熱衷于談"去中心化"，也許是區(qū)塊鏈帶起的這個(gè)潮流。但是"中心化"在大數(shù)據(jù)領(lǐng)域還是很重要的，至少目前來說是的。分布式的集群管理需要有個(gè)組件去分配調(diào)度資源給各個(gè)節(jié)點(diǎn)，這個(gè)東西叫yarn;需要有個(gè)組件來解決在分布式環(huán)境下"鎖"的問題，這個(gè)東西叫zookeeper;需要有個(gè)組件來記錄任務(wù)的依賴關(guān)系并定時(shí)調(diào)度任務(wù)，這個(gè)東西叫azkaban。當(dāng)然這些“東西”并不是唯一的，其實(shí)都是有很多替代品的，我這里只舉了幾個(gè)比較常用的例子。說兩句回答完這個(gè)問題，準(zhǔn)備說點(diǎn)其他的。最近想了很久，準(zhǔn)備開始寫一系列的文章，記錄這些年來的所得所想，感覺內(nèi)容比較多不知從哪里開始，就畫了文章開頭的思維導(dǎo)圖確定了大的方向，大家都知道大數(shù)據(jù)的主流技術(shù)變化迭代很快，不斷會(huì)有新的東西加入，所以這張圖里內(nèi)容也會(huì)根據(jù)情況不斷添加。細(xì)節(jié)的東西我會(huì)邊寫邊定，大家也可以給我一些建議，我會(huì)根據(jù)寫的內(nèi)容實(shí)時(shí)更新這張圖以及下面的目錄。關(guān)于分組上面的大數(shù)據(jù)組件分組其實(shí)是比較糾結(jié)的，特別是作為一個(gè)有強(qiáng)迫癥的程序猿，有些組件好像放在其他組也可以，而且我又不想要分太多的組看起來會(huì)很亂，所以上面這張圖的分組方式會(huì)稍主觀一些。分組方式肯定不是絕對的。舉個(gè)例子，像kafka這種消息隊(duì)列一般不會(huì)和其它的數(shù)據(jù)庫或者像HDFS這種文件系統(tǒng)放在一起，但是它們同樣都具備有分布式持久化存儲(chǔ)的功能，所以就把它們放在一塊兒了;還有openTsDB這種時(shí)序數(shù)據(jù)庫，說是數(shù)據(jù)庫實(shí)際上只是基于HBase上的一個(gè)應(yīng)用，我覺得這個(gè)東西更側(cè)重于查詢和以及用何種方式存儲(chǔ)，而不在于存儲(chǔ)本身，所以就