⼤数据开发过程中的重难点有哪些
⼤数据开发⼯程师，很多⼈都向往的职业，但总有这样那样的理由，在逼迫这⾃⼰放弃。明明知道⼤数据良好的前景，明明知道学完⼤数据可以到⼀份很好的⼯作，但就是不会对⾃⼰下狠⼼。总结了学⽣在学习⼤数据开发过程中遇到的难点，帮助⼤家逐⼀攻克难关!
⼤数据开发，有4个阶段：
1、数据采集
数据采集有线上和线下两种⽅式，线上⼀般通过爬⾍、通过抓取，或者通过已有应⽤系统的采集，在这个阶段，我们可以做⼀个⼤数据采集平台，依托⾃动爬⾍(使⽤python或者nodejs制作爬⾍软件)，ETL⼯具、或者⾃定义的抽取转换引擎，从⽂件中、数据库中、⽹页中专项爬取数据，如果这⼀步通过⾃动化系统来做的话，可以很⽅便的管理所有的原始数据，并且从数据的开始对数据进⾏标签采集，可以规范开发⼈员的⼯作。并且⽬标数据源可以更⽅便的管理。
数据采集的难点在于多数据源，例如mysql、postgresql、sqlserver 、 mongodb 、sqllite。还有本地⽂件、excel统计⽂档、甚⾄是doc⽂件。如何将他们规整的、有⽅案的整理进我们的⼤数据流程中也是必不可缺的⼀环。
2、数据汇聚
数据的汇聚是⼤数据流程关键的⼀步，你可以在这⾥加上数据标准化，你也可以在这⾥做数据清洗，数据合并，还可以在这⼀步将数据存档，将确认可⽤的数据经过可监控的流程进⾏整理归类，这⾥产出的所有数据就是整个公司的数据资产了，到了⼀定的量就是⼀笔固定资产。
数据汇聚的难点在于如何标准化数据，例如表名标准化，表的标签分类，表的⽤途，数据的量，是否有数据增量?，数据是否可⽤? 需要在业务上下很⼤的功夫，必要时还要引⼊智能化处理，例如根据内容训练结果⾃动打标签，⾃动分配推荐表名、表字段名等。还有如何从原始数据中导⼊数据等。
3、数据转换和映射
经过数据汇聚的数据资产如何提供给具体的使⽤⽅使⽤?在这⼀步，主要就是考虑数据如何应⽤，如何将两个?三个?数据表转换成⼀张能够提供服务的数据。然后定期更新增量。
经过前⾯的那⼏步，在这⼀步难点并不太多了，如何转换数据与如何清洗数据、标准数据⽆⼆，将两个字段的值转换成⼀个字段，或者根据多个可⽤表统计出⼀张图表数据等等。
4、数据应⽤
数据的应⽤⽅式很多，有对外的、有对内的，如果拥有了前期的⼤量数据资产，通过restful API提供给⽤户?或者提供流式引擎 KAFKA 给应⽤消费? 或者直接组成专题数据，供⾃⼰的应⽤查询?这⾥对数据资产的要求⽐较⾼，所以前期的⼯作做好了，这⾥的⾃由度很⾼。
⼤数据开发的难点主要是监控，怎么样规划开发⼈员的⼯作?开发⼈员随随便便采集了⼀堆垃圾数据，并且直连数据库。 短期来看，这些问题⽐较⼩，可以矫正。 如果你对⼤数据开发感兴趣，想系统学习⼤数据的话，可以加⼊⼤数据技术学习交流扣：458数字345数字782获取学习资源，但是在资产的量不断增加的时候，这就是⼀颗定时，随时会引爆，然后引发⼀系列对数据资产的影响，例如数据混乱带来的就是数据资产的价值下降，客户信任度变低。
⼤数据学习路线
大数据etl工具有哪些java(Java se,javaweb)
Linux(shell,⾼并发架构,lucene,solr)
Hadoop(Hadoop,HDFS,Mapreduce,yarn,hive,hbase,sqoop,zookeeper,flume)
机器学习(R,mahout)
Storm(Storm,kafka,redis)
Spark(scala,spark,spark core,spark sql,spark streaming,spark mllib,spark graphx)
Python(python,spark python)
云计算平台(docker,kvm,openstack)
名词解释
⼀、Linux
lucene： 全⽂检索引擎的架构
solr： 基于lucene的全⽂搜索服务器，实现了可配置、可扩展并对查询性能进⾏了优化，并且提供了⼀个完善的功能管理界⾯。
⼆、Hadoop
HDFS： 分布式存储系统，包含NameNode，DataNode。NameNode：元数据，DataNode。DataNode：存数数据。
yarn： 可以理解为MapReduce的协调机制，本质就是Hadoop的处理分析机制，分为ResourceManag
er NodeManager。MapReduce： 软件框架，编写程序。
Hive： 数据仓库 可以⽤SQL查询，可以运⾏Map/Reduce程序。⽤来计算趋势或者⽹站⽇志，不应⽤于实时查询，需要很长时间返回结果。
HBase： 数据库。⾮常适合⽤来做⼤数据的实时查询。Facebook⽤Hbase存储消息数据并进⾏消息实时的分析
ZooKeeper： 针对⼤型分布式的可靠性协调系统。Hadoop的分布式同步等靠Zookeeper实现，例如多个NameNode，active standby 切换。
Sqoop： 数据库相互转移，关系型数据库和HDFS相互转移
Mahout： 可扩展的机器学习和数据挖掘库。⽤来做推荐挖掘，聚集，分类，频繁项集挖掘。
Chukwa： 开源收集系统，监视⼤型分布式系统，建⽴在HDFS和Map/Reduce框架之上。显⽰、监视、分析结果。
Ambari： ⽤于配置、管理和监视Hadoop集，基于Web，界⾯友好。
⼆、Cloudera
Cloudera Manager： 管理 监控 诊断 集成
Cloudera CDH：(Cloudera's Distribution，including Apache Hadoop) Cloudera对Hadoop做了相应的改变，发⾏版本称为CDH。Cloudera Flume： ⽇志收集系统，⽀持在⽇志系统中定制各类数据发送⽅，⽤来收集数据。
Cloudera Impala： 对存储在Apache Hadoop的HDFS，HBase的数据提供直接查询互动的SQL。
Cloudera hue： web管理器，包括hue ui，hui server，hui db。hue提供所有CDH组件的shell界⾯的接⼝，可以在hue编写mr。
三、机器学习/R
R： ⽤于统计分析、绘图的语⾔和操作环境，⽬前有Hadoop-R
mahout： 提供可扩展的机器学习领域经典算法的实现，包括聚类、分类、推荐过滤、频繁⼦项挖掘等，且可通过Hadoop扩展到云中。
四、storm
Storm： 分布式，容错的实时流式计算系统，可以⽤作实时分析，在线机器学习，信息流处理，连续性计算，分布式RPC，实时处理消息并更新数据库。
Kafka： ⾼吞吐量的分布式发布订阅消息系统，可以处理消费者规模的⽹站中的所有动作流数据（浏览，搜索等）。相对Hadoop的⽇志数据和离线分析，可以实现实时处理。⽬前通过Hadoop的并⾏加载机制来统⼀线上和离线的消息处理
Redis： 由c语⾔编写，⽀持⽹络、可基于内存亦可持久化的⽇志型、key-value型数据库。
五、Spark
Scala： ⼀种类似java的完全⾯向对象的编程语⾔。
jblas： ⼀个快速的线性代数库（JAVA）。基于BLAS与LAPACK，矩阵计算实际的⾏业标准，并使⽤先进的基础设施等所有的计算程序的ATLAS艺术的实现，使其⾮常快。
Spark： Spark是在Scala语⾔中实现的类似于Hadoop MapReduce的通⽤并⾏框架，除了Hadoop MapReduce所具有的优点，但不同于MapReduce的是job中间输出结果可以保存在内存中，从⽽不需要读写HDFS，因此Spark能更好的适⽤于数据挖掘与机器学习等需要迭代的MapReduce算法。可以和Hadoop⽂件系统并⾏运作，⽤过Mesos的第三⽅集框架可以⽀持此⾏为。
Spark SQL： 作为Apache Spark⼤数据框架的⼀部分，可⽤于结构化数据处理并可以执⾏类似SQL的Spark数据查询
Spark Streaming： ⼀种构建在Spark上的实时计算框架，扩展了Spark处理⼤数据流式数据的能⼒。
Spark MLlib： MLlib是Spark是常⽤的机器学习算法的实现库，⽬前(2014.05)⽀持⼆元分类，回归，聚类以及协同过滤。同时也包括⼀个底层的梯度下降优化基础算法。MLlib以来jblas线性代数库，jblas本⾝以来远程的Fortran程序。
Spark GraphX： GraphX是Spark中⽤于图和图并⾏计算的API，可以在Spark之上提供⼀站式数据解决⽅案，可以⽅便且⾼效地完成图计算的⼀整套流⽔作业。
Fortran： 最早出现的计算机⾼级程序设计语⾔，⼴泛应⽤于科学和⼯程计算领域。
BLAS： 基础线性代数⼦程序库，拥有⼤量已经编写好的关于线性代数运算的程序。
LAPACK： 著名的公开软件，包含了求解科学与⼯程计算中最常见的数值线性代数问题，如求解线性⽅程组、线性最⼩⼆乘问题、特征值问题和奇异值问题等。
ATLAS： BLAS线性算法库的优化版本。
Spark Python： Spark是由scala语⾔编写的，但是为了推⼴和兼容，提供了java和python接⼝。
六、Python
Python: ⼀种⾯向对象的、解释型计算机程序设计语⾔。
七、云计算平台
Docker： 开源的应⽤容器引擎
kvm： (Keyboard Video Mouse)
openstack：  开源的云计算管理平台项⽬

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。