阿里封神谈hadoop学习之路 封神 2016-04-14 16:03:51 浏览3283 评论3 发表于： 阿里云E-MapReduce >> 开源大数据周刊 hadoop 学生 spark

阿里封神谈hadoop学习之路

 

封神 2016-04-14 16:03:51 浏览3283 评论3 发表于： 阿里云E-MapReduce >> 开源大数据周刊

hadoop 学生 spark

摘要： 在大数据时代，要想个性化实现业务的需求，还是得操纵各类的大数据软件，如：hadoop、hive、spark等。笔者（阿里封神）混迹Hadoop圈子多年，经历了云梯1、ODPS等项目，目前base在E-Mapreduce。在这，笔者尽可能梳理下hadoop的学习之路。

引言

当前，越来越多的同学进入大数据行业，有的是底层的技术，有的是工程，有的是算法，有的是业务。每个产品、都需要工程化的实现，以前，工程师都是操练着java/python/c等各种语言操纵中各类的软件，比如jquery，spring、mysql，实现产品的业务逻辑。在大数据时代，要想个性化实现业务的需求，还是得操纵各类的大数据软件，如：hadoop、hive、spark、hbase、jstorm等。笔者（阿里封神）混迹Hadoop圈子多年，经历了云梯1、ODPS等项目，目前base在E-Mapreduce。在这，笔者尽可能梳理下，本文是围绕hadoop的。对于算法、机器学习是另一个范畴，本篇不涉及，不过从事机器学习算法的研发，能力最好在中级之上。

要想成为专家，并未一朝一夕，需要自己在业余时间花费较多的时间，我们一起加油！

初级

开始接触hadoop，最好还是有语言工程等相关的基础。如果工程能力、思维能力比较强，其实学习起来很快的。

• 自己直接写一些mapreduce、spark相关的代码去解决一些业务问题
• 熟悉hadoop的基本理论知识
• 多看看官方的文档
• 知晓大体的hadoop体系架构，每个角色能解决的问题
• 最好能体系的看下《Hadoop权威指南》

中级

这个阶段，基本就是想进一步了解hadoop本身的

• 前提开发能力较强，比如:java能力
• 熟悉ETL/流失计算/图计算/机器学习各种原理
• 看一些社区hadoop的代码，出现问题能直接看源码解决
• 能去优化hadoop的一些性能问题，知晓大体性能的瓶颈点
• 可以改造内核，或者参与社区开发
• 有较多的大数据的项目经验，做过复杂项目
• 可以看下更多的1-2个计算引擎

高级

在这个阶段，一般书籍就没有太多的用处，一般需要看看paper

• 修改各种引擎的核心代码，这些包括：hadoop/spark/flink/strom/hive/hbase/kafka/等
• 学习力强，可以迅速看清楚各种框架
• 有较强的分布式理论知识
• 能触类旁通，创新出一套新的大数据引擎，比如：spark
• 能前瞻性预测未来引擎发展方向

建议

• 最好的学习方式是：动手，动手写code
• 多参加技术会议，融入hadoop圈子，如：hadoop submit，spark submit，有时候一些城市会有一些交流会
• 关注Cloudera、databricks、阿里云E_MapReduce 等博客
• 多关注一些群，可以加笔者的微信(fengshenwukong)，笔者拉下
• 多关注一些圈子内的微博号或者同学，可以从笔者的微博关注里面找（笔者的微博号：阿里封神）
• 关注你关注的软件的邮件列表
• 多写写博客，分享自己的心得，把知识沉淀下来
• 多关注社区的发展

推荐的资料

hadoop生态资料太多，google一下一大把，笔者这里列出的都是基本的：
首先推荐《hadoop权威指南》，基本会讲述hadoop生态的各个组件，是不错的书籍。
再次就是各个软件的官方文档，例如：hadoop、spark、kafka、

Hadoop基础及ETL

主要包括Hadoop Yarn、HDFS、Hadoop MapReudce、Hive、Spark SQL等

• 书籍：《Spark大数据处理技术》
• 书籍：《Hive编程指南》
• 书籍：《Hadoop技术内幕：深入解析YARN架构设计与实现原理》
• 书籍：《Hadoop技术内幕：深入解析Hadoop Common和HDFS架构设计与实现原理》
• 书籍：《Hadoop技术内幕：深入解析MapReduce架构设计与实现原理》
• 论文：Bigtable: A Distributed Storage System for Structured Data
• 论文：MapReduce: Simplified Data Processing on Large Clusters
• 论文：The Google File System
• 论文：Spark: Cluster Computing with Working Sets
• 论文：Spark SQL: Relational Data Processing in Spark
• 博客：Spark源码分析

流式实时处理技术

主要包括Jstorm、Spark Streaming

• 官方文档：JStorm Chinese Documentation
• 官方文档：Spark Streaming

大数据KV、MPP领域

主要包括的是Hbase、Impala

• 书籍： 《HBase权威指南》
• 官方文档：Apache Impala

本文章后续会继续更新，欢迎大家关注！

版权声明