Hadoop學習之路（一）——Hadoop家族學習路線圖

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

從2011年開始，中國進入大數據風起云涌的時代，以Hadoop為代表的家族軟件，占據了大數據處理的廣闊地盤。開源界及廠商，所有數據軟件，無 一不向Hadoop靠攏。Hadoop也從小眾的高富帥領域，變成了大數據開發的標準。在Hadoop原有技術基礎之上，出現了Hadoop家族產品，通 過“大數據”概念不斷創新，推出科技進步。

作為IT界的開發人員，我們也要跟上節奏，抓住機遇，跟著Hadoop一起雄起！

前言

使用Hadoop已經有一段時間了，從開始的迷茫，到各種的嘗試，到現在組合應用….慢慢地涉及到數據處理的事情，已經離不開hadoop了。Hadoop在大數據領域的成功，更引發了它本身的加速發展。現在Hadoop家族產品，已經達到20個了之多。

有必要對自己的知識做一個整理了，把產品和技術都串起來。不僅能加深印象，更可以對以后的技術方向，技術選型做好基礎準備。

本文為“Hadoop家族”開篇，Hadoop家族學習路線圖

目錄

1. Hadoop家族產品

2. Hadoop家族學習路線圖

1. Hadoop家族產品

截止到2013年，根據cloudera的統計，Hadoop家族產品已經達到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個產品，分成了2類。

• 第一類，是我已經掌握的

• 第二類，是TODO準備繼續學習的

一句話產品介紹:

• 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子項目(HDFS)和支持MapReduce分布式計算的軟件架構。

• Apache Hive: 是基于Hadoop的一個數據倉庫工具，可以將結構化的數據文件映射為一張數據庫表，通過類SQL語句快速實現簡單的MapReduce統計，不必開發專門的MapReduce應用，十分適合數據倉庫的統計分析。

• Apache Pig: 是一個基于Hadoop的大規模數據分析工具，它提供的SQL-LIKE語言叫Pig Latin，該語言的編譯器會把類SQL的數據分析請求轉換為一系列經過優化處理的MapReduce運算。

• 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，利用HBase技術可在廉價PC Server上搭建起大規模結構化存儲集群。

• Apache Sqoop: 是一個用來將Hadoop和關系型數據庫中的數據相互轉移的工具，可以將一個關系型數據庫（MySQL ,Oracle ,Postgres等）中的數據導進到Hadoop的HDFS中，也可以將HDFS的數據導進到關系型數據庫中。

• Apache Zookeeper: 是一個為分布式應用所設計的分布的、開源的協調服務，它主要是用來解決分布式應用中經常遇到的一些數據管理問題，簡化分布式應用協調及其管理的難度，提供高性能的分布式服務

• Apache Mahout:是基于Hadoop的機器學習和數據挖掘的一個分布式框架。Mahout用MapReduce實現了部分數據挖掘算法，解決了并行挖掘的問題。

• Apache Cassandra:是一套開源分布式NoSQL數據庫系統。它最初由Facebook開發，用于儲存簡單格式數據，集Google BigTable的數據模型與Amazon Dynamo的完全分布式的架構于一身

• Apache Avro: 是一個數據序列化系統，設計用于支持數據密集型，大批量數據交換的應用。Avro是新的數據序列化格式與傳輸工具，將逐步取代Hadoop原有的IPC機制

• Apache Ambari: 是一種基于Web的工具，支持Hadoop集群的供應、管理和監控。

• Apache Chukwa: 是一個開源的用于監控大型分布式系統的數據收集系統，它可以將各種各樣類型的數據收集成適合 Hadoop 處理的文件保存在 HDFS 中供 Hadoop 進行各種 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、矩陣和網絡算法在內的大規模、大數據計算。

• Apache Flume: 是一個分布的、可靠的、高可用的海量日志聚合的系統，可用于日志數據收集，日志數據處理，日志數據傳輸。

• Apache Giraph: 是一個可伸縮的分布式迭代圖處理系統， 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器, 用于管理和協調運行在Hadoop平臺上（HDFS、Pig和MapReduce）的任務。

• Apache Crunch: 是基于Google的FlumeJava庫編寫的Java庫，用于創建MapReduce程序。與Hive，Pig類似，Crunch提供了用于實現如連接數據、執行聚合和排序記錄等常見任務的模式庫

• Apache Whirr: 是一套運行于云服務的類庫（包括Hadoop），可提供高度的互補性。Whirr學支持Amazon EC2和Rackspace的服務。

• Apache Bigtop: 是一個對Hadoop及其周邊生態進行打包，分發和測試的工具。

• Apache HCatalog: 是基于Hadoop的數據表和存儲管理，實現中央的元數據和模式管理，跨越Hadoop和RDBMS，利用Pig和Hive提供關系視圖。

• Cloudera Hue: 是一個基于WEB的監控和管理系統，實現對HDFS，MapReduce/YARN, HBase, Hive, Pig的web化操作和管理。

2. Hadoop家族學習路線圖

下面我將分別介紹各個產品的安裝和使用，以我經驗總結我的學習路線。

Hadoop

• Hadoop學習路線圖

• Yarn學習路線圖

• 用Maven構建Hadoop項目

• Hadoop歷史版本安裝

• Hadoop編程調用HDFS

• 海量Web日志分析 用Hadoop提取KPI統計指標

• 用Hadoop構建電影推薦系統

• 創建Hadoop母體虛擬機

• 克隆虛擬機增加Hadoop節點

• R語言為Hadoop注入統計血脈

• RHadoop實踐系列之一 Hadoop環境搭建

Hive

• Hive學習路線圖

• Hive安裝及使用攻略

• Hive導入10G數據的測試

• R利劍NoSQL系列文章 之 Hive

• 用RHive從歷史數據中提取逆回購信息

Pig

• Pig學習路線圖

Zookeeper

• Zookeeper學習路線圖

• ZooKeeper偽分步式集群安裝及使用

• ZooKeeper實現分布式隊列Queue

• ZooKeeper實現分布式FIFO隊列

HBase

• HBase學習路線圖

• RHadoop實踐系列之四  rhbase安裝與使用

Mahout

• Mahout學習路線圖

• 用R解析Mahout用戶推薦協同過濾算法(UserCF)

• RHadoop實踐系列之三 R實現MapReduce的協同過濾算法

• 用Maven構建Mahout項目

• 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 基于物品的協同過濾ItemCF

• Mahout分步式程序開發 聚類Kmeans

• 用Mahout構建職位推薦引擎

Sqoop

• Sqoop學習路線圖

Cassandra

• Cassandra學習路線圖

• Cassandra單集群實驗2個節點

• R利劍NoSQL系列文章 之 Cassandra