hadoop学习之路

每个人也存在学习上的低谷点，笔者也是芸芸众生，自然也有一些只能通过码字才能释怀的情景。在校外毕设时候接触了一些大数据的知识点，但是在学习上因为其偏于底层而没有深入进去，但很明显，有些时候还是需要硬着头皮学下去。特此，在一年前看了阿里封神的一篇对于“Hadoop学习之路”的讲解，今天也将其分享出来，也是自己学习的一个起点。

转载地址：阿里封神谈hadoop学习之路

1. 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。

注意：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！

2. 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（WorldCount经典例子）
  
• 熟悉hadoop的基本理论知识
  
• 多看看官方的文档（可以试着独立搭建一下单节点或者集群）
• 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》  （这本书本人也是买了一本，但是只看了前面基础的一部分）

3. 中级

这个阶段，基本就是想进一步了解hadoop本身的（可能这一步还是笔者很欠缺的地方，初级有了一部分进展，这部分无论对于编程能力还是理论基础都是一方面的挑战）

• 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

4. 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

5. 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
  
• 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
  

6. 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：（有些链接可能失效了，因此可以去转载地址中查看）

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