Hadoop學(xué)習(xí)之路（一）——Hadoop家族學(xué)習(xí)路線圖

主要介紹Hadoop家族產(chǎn)品，常用的項(xiàng)目包括Hadoop, Hive, Pig, HBase, Sqoop, Mahout, Zookeeper, Avro, Ambari, Chukwa，新增加的項(xiàng)目包括，YARN, Hcatalog, Oozie, Cassandra, Hama, Whirr, Flume, Bigtop, Crunch, Hue等。

從2011年開始，中國進(jìn)入大數(shù)據(jù)風(fēng)起云涌的時代，以Hadoop為代表的家族軟件，占據(jù)了大數(shù)據(jù)處理的廣闊地盤。開源界及廠商，所有數(shù)據(jù)軟件，無 一不向Hadoop靠攏。Hadoop也從小眾的高富帥領(lǐng)域，變成了大數(shù)據(jù)開發(fā)的標(biāo)準(zhǔn)。在Hadoop原有技術(shù)基礎(chǔ)之上，出現(xiàn)了Hadoop家族產(chǎn)品，通 過“大數(shù)據(jù)”概念不斷創(chuàng)新，推出科技進(jìn)步。

作為IT界的開發(fā)人員，我們也要跟上節(jié)奏，抓住機(jī)遇，跟著Hadoop一起雄起！

前言

使用Hadoop已經(jīng)有一段時間了，從開始的迷茫，到各種的嘗試，到現(xiàn)在組合應(yīng)用….慢慢地涉及到數(shù)據(jù)處理的事情，已經(jīng)離不開hadoop了。Hadoop在大數(shù)據(jù)領(lǐng)域的成功，更引發(fā)了它本身的加速發(fā)展。現(xiàn)在Hadoop家族產(chǎn)品，已經(jīng)達(dá)到20個了之多。

有必要對自己的知識做一個整理了，把產(chǎn)品和技術(shù)都串起來。不僅能加深印象，更可以對以后的技術(shù)方向，技術(shù)選型做好基礎(chǔ)準(zhǔn)備。

本文為“Hadoop家族”開篇，Hadoop家族學(xué)習(xí)路線圖

目錄

1. Hadoop家族產(chǎn)品

2. Hadoop家族學(xué)習(xí)路線圖

1. Hadoop家族產(chǎn)品

截止到2013年，根據(jù)cloudera的統(tǒng)計，Hadoop家族產(chǎn)品已經(jīng)達(dá)到20個！
http://blog.cloudera.com/blog/2013/01/apache-hadoop-in-2013-the-state-of-the-platform/

接下來，我把這20個產(chǎn)品，分成了2類。

• 第一類，是我已經(jīng)掌握的

• 第二類，是TODO準(zhǔn)備繼續(xù)學(xué)習(xí)的

一句話產(chǎn)品介紹:

• Apache Hadoop: 是Apache開源組織的一個分布式計算開源框架，提供了一個分布式文件系統(tǒng)子項(xiàng)目(HDFS)和支持MapReduce分布式計算的軟件架構(gòu)。

• Apache Hive: 是基于Hadoop的一個數(shù)據(jù)倉庫工具，可以將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫表，通過類SQL語句快速實(shí)現(xiàn)簡單的MapReduce統(tǒng)計，不必開發(fā)專門的MapReduce應(yīng)用，十分適合數(shù)據(jù)倉庫的統(tǒng)計分析。

• Apache Pig: 是一個基于Hadoop的大規(guī)模數(shù)據(jù)分析工具，它提供的SQL-LIKE語言叫Pig Latin，該語言的編譯器會把類SQL的數(shù)據(jù)分析請求轉(zhuǎn)換為一系列經(jīng)過優(yōu)化處理的MapReduce運(yùn)算。

• Apache HBase: 是一個高可靠性、高性能、面向列、可伸縮的分布式存儲系統(tǒng)，利用HBase技術(shù)可在廉價PC Server上搭建起大規(guī)模結(jié)構(gòu)化存儲集群。

• Apache Sqoop: 是一個用來將Hadoop和關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)相互轉(zhuǎn)移的工具，可以將一個關(guān)系型數(shù)據(jù)庫（MySQL ,Oracle ,Postgres等）中的數(shù)據(jù)導(dǎo)進(jìn)到Hadoop的HDFS中，也可以將HDFS的數(shù)據(jù)導(dǎo)進(jìn)到關(guān)系型數(shù)據(jù)庫中。

• Apache Zookeeper: 是一個為分布式應(yīng)用所設(shè)計的分布的、開源的協(xié)調(diào)服務(wù)，它主要是用來解決分布式應(yīng)用中經(jīng)常遇到的一些數(shù)據(jù)管理問題，簡化分布式應(yīng)用協(xié)調(diào)及其管理的難度，提供高性能的分布式服務(wù)

• Apache Mahout:是基于Hadoop的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的一個分布式框架。Mahout用MapReduce實(shí)現(xiàn)了部分?jǐn)?shù)據(jù)挖掘算法，解決了并行挖掘的問題。

• Apache Cassandra:是一套開源分布式NoSQL數(shù)據(jù)庫系統(tǒng)。它最初由Facebook開發(fā)，用于儲存簡單格式數(shù)據(jù)，集Google BigTable的數(shù)據(jù)模型與Amazon Dynamo的完全分布式的架構(gòu)于一身

• Apache Avro: 是一個數(shù)據(jù)序列化系統(tǒng)，設(shè)計用于支持?jǐn)?shù)據(jù)密集型，大批量數(shù)據(jù)交換的應(yīng)用。Avro是新的數(shù)據(jù)序列化格式與傳輸工具，將逐步取代Hadoop原有的IPC機(jī)制

• Apache Ambari: 是一種基于Web的工具，支持Hadoop集群的供應(yīng)、管理和監(jiān)控。

• Apache Chukwa: 是一個開源的用于監(jiān)控大型分布式系統(tǒng)的數(shù)據(jù)收集系統(tǒng)，它可以將各種各樣類型的數(shù)據(jù)收集成適合 Hadoop 處理的文件保存在 HDFS 中供 Hadoop 進(jìn)行各種 MapReduce 操作。

• Apache Hama: 是一個基于HDFS的BSP（Bulk Synchronous Parallel)并行計算框架, Hama可用于包括圖、矩陣和網(wǎng)絡(luò)算法在內(nèi)的大規(guī)模、大數(shù)據(jù)計算。

• Apache Flume: 是一個分布的、可靠的、高可用的海量日志聚合的系統(tǒng)，可用于日志數(shù)據(jù)收集，日志數(shù)據(jù)處理，日志數(shù)據(jù)傳輸。

• Apache Giraph: 是一個可伸縮的分布式迭代圖處理系統(tǒng)， 基于Hadoop平臺，靈感來自 BSP (bulk synchronous parallel) 和 Google 的 Pregel。

• Apache Oozie: 是一個工作流引擎服務(wù)器, 用于管理和協(xié)調(diào)運(yùn)行在Hadoop平臺上（HDFS、Pig和MapReduce）的任務(wù)。

• Apache Crunch: 是基于Google的FlumeJava庫編寫的Java庫，用于創(chuàng)建MapReduce程序。與Hive，Pig類似，Crunch提供了用于實(shí)現(xiàn)如連接數(shù)據(jù)、執(zhí)行聚合和排序記錄等常見任務(wù)的模式庫

• Apache Whirr: 是一套運(yùn)行于云服務(wù)的類庫（包括Hadoop），可提供高度的互補(bǔ)性。Whirr學(xué)支持Amazon EC2和Rackspace的服務(wù)。

• Apache Bigtop: 是一個對Hadoop及其周邊生態(tài)進(jìn)行打包，分發(fā)和測試的工具。

• Apache HCatalog: 是基于Hadoop的數(shù)據(jù)表和存儲管理，實(shí)現(xiàn)中央的元數(shù)據(jù)和模式管理，跨越Hadoop和RDBMS，利用Pig和Hive提供關(guān)系視圖。

• Cloudera Hue: 是一個基于WEB的監(jiān)控和管理系統(tǒng)，實(shí)現(xiàn)對HDFS，MapReduce/YARN, HBase, Hive, Pig的web化操作和管理。

2. Hadoop家族學(xué)習(xí)路線圖

下面我將分別介紹各個產(chǎn)品的安裝和使用，以我經(jīng)驗(yàn)總結(jié)我的學(xué)習(xí)路線。

Hadoop

• Hadoop學(xué)習(xí)路線圖

• Yarn學(xué)習(xí)路線圖

• 用Maven構(gòu)建Hadoop項(xiàng)目

• Hadoop歷史版本安裝

• Hadoop編程調(diào)用HDFS

• 海量Web日志分析 用Hadoop提取KPI統(tǒng)計指標(biāo)

• 用Hadoop構(gòu)建電影推薦系統(tǒng)

• 創(chuàng)建Hadoop母體虛擬機(jī)

• 克隆虛擬機(jī)增加Hadoop節(jié)點(diǎn)

• R語言為Hadoop注入統(tǒng)計血脈

• RHadoop實(shí)踐系列之一 Hadoop環(huán)境搭建

Hive

• Hive學(xué)習(xí)路線圖

• Hive安裝及使用攻略

• Hive導(dǎo)入10G數(shù)據(jù)的測試

• R利劍NoSQL系列文章 之 Hive

• 用RHive從歷史數(shù)據(jù)中提取逆回購信息

Pig

• Pig學(xué)習(xí)路線圖

Zookeeper

• Zookeeper學(xué)習(xí)路線圖

• ZooKeeper偽分步式集群安裝及使用

• ZooKeeper實(shí)現(xiàn)分布式隊(duì)列Queue

• ZooKeeper實(shí)現(xiàn)分布式FIFO隊(duì)列

HBase

• HBase學(xué)習(xí)路線圖

• RHadoop實(shí)踐系列之四  rhbase安裝與使用

Mahout

• Mahout學(xué)習(xí)路線圖

• 用R解析Mahout用戶推薦協(xié)同過濾算法(UserCF)

• RHadoop實(shí)踐系列之三 R實(shí)現(xiàn)MapReduce的協(xié)同過濾算法

• 用Maven構(gòu)建Mahout項(xiàng)目

• Mahout推薦算法API詳解

• 從源代碼剖析Mahout推薦引擎

• Mahout分步式程序開發(fā) 基于物品的協(xié)同過濾ItemCF

• Mahout分步式程序開發(fā) 聚類Kmeans

• 用Mahout構(gòu)建職位推薦引擎

Sqoop

• Sqoop學(xué)習(xí)路線圖

Cassandra

• Cassandra學(xué)習(xí)路線圖

• Cassandra單集群實(shí)驗(yàn)2個節(jié)點(diǎn)

• R利劍NoSQL系列文章 之 Cassandra