如何高效快速的学习大数据

标签：ganglia   挖掘   服务器   http   写代码   机器   phoenix   文件   整理   

经常有初学者在博客和QQ问我，自己想往大数据方向发展，该学哪些技术，学习路线是什么样的，觉得大数据很火，就业很好，薪资很高。。。。。。。如果自己很迷茫，为了这些原因想往大数据方向发展，也可以，那么我就想问一下，你的专业是什么，对于计算机/软件，你的兴趣是什么？是计算机专业，对操作系统、硬件、网络、服务器感兴趣？是软件专业，对软件开发、编程、写代码感兴趣？还是数学、统计学专业，对数据和数字特别感兴趣。。

其实这就是想告诉你的大数据的三个发展方向，平台搭建/优化/运维/监控、大数据开发/设计/架构、数据分析/挖掘。请不要问我哪个容易，哪个前景好，哪个钱多。

我先普及一下大数据的4V特征：

1. 数据量大，TB->PB

2. 数据类型繁多，结构化、非结构化文本、日志、视频、图片、地理位置等；

3. 商业价值高，但是这种价值需要在海量数据之上，通过数据分析与机器学习更快速的挖掘出来；

4. 处理时效性高，海量数据的处理需求不再局限在离线计算当中。

现如今，开源的大数据框架越来越多，越来越强，如下是我列举的关于大数据技术方面的几个服务框架：

文件存储：Hadoop HDFS、Tachyon、KFS

离线计算：Hadoop MapReduce、Spark

流式、实时计算：Storm、Spark Streaming、S4、Heron

K-V、NOSQL数据库：HBase、Redis、MongoDB

资源管理：YARN、Mesos

日志收集：Flume、Scribe、Logstash、Kibana

消息系统：Kafka、StormMQ、ZeroMQ、RabbitMQ

查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

分布式协调服务：Zookeeper

集群管理与监控：Ambari、Ganglia、Nagios、Cloudera Manager

数据挖掘、机器学习：Mahout、Spark MLLib

数据同步：Sqoop

任务调度：Oozie

这么多东东，怎么开始，怎么学习，别急，小编告诉你怎么玩这些：大数据学习资料分享群119599574 不管你是小白还是大牛，小编我都挺欢迎，不定期分享干货，包括我自己整理的一份最新的适合2018年学习的大数据开发和零基础入门教程，欢迎初学和进阶中的小伙伴

如何高效快速的学习大数据

标签：ganglia   挖掘   服务器   http   写代码   机器   phoenix   文件   整理   

原文地址：https://www.cnblogs.com/Aa123456780/p/9603553.html