Sqoop：(發(fā)音：skup)作為一款開(kāi)源的離線數(shù)據(jù)傳輸工具，主要用于Hadoop(Hive) 與傳統(tǒng)數(shù)據(jù)庫(kù)(MySql,PostgreSQL)間的數(shù)據(jù)傳遞。它可以將一個(gè)關(guān)系數(shù)據(jù)庫(kù)中數(shù)據(jù)導(dǎo)入Hadoop的HDFS中，也可以將HDFS中的數(shù)據(jù)導(dǎo)入關(guān)系型數(shù)據(jù)庫(kù)中。

Flume：實(shí)時(shí)數(shù)據(jù)采集的一個(gè)開(kāi)源框架，它是Cloudera提供的一個(gè)高可用用的、高可靠、分布式的海量日志采集、聚合和傳輸?shù)南到y(tǒng)。目前已經(jīng)是Apache的頂級(jí)子項(xiàng)目。使用Flume可以收集諸如日志、時(shí)間等數(shù)據(jù)并將這些數(shù)據(jù)集中存儲(chǔ)起來(lái)供下游使用(尤其是數(shù)據(jù)流框架，例如Storm)。和Flume類似的另一個(gè)框架是Scribe(FaceBook開(kāi)源的日志收集系統(tǒng)，它為日志的分布式收集、統(tǒng)一處理提供一個(gè)可擴(kuò)展的、高容錯(cuò)的簡(jiǎn)單方案)大數(shù)據(jù)分析培訓(xùn)課程內(nèi)容有哪些

Kafka：通常來(lái)說(shuō)Flume采集數(shù)據(jù)的速度和下游處理的速度通常不同步，因此實(shí)時(shí)平臺(tái)架構(gòu)都會(huì)用一個(gè)消息中間件來(lái)緩沖，而這方面最為流行和應(yīng)用最為廣泛的無(wú)疑是Kafka。它是由LinkedIn開(kāi)發(fā)的一個(gè)分布式消息系統(tǒng)，以其可以水平擴(kuò)展和高吞吐率而被廣泛使用。目前主流的開(kāi)源分布式處理系統(tǒng)(如Storm和Spark等)都支持與Kafka 集成。

Kafka是一個(gè)基于分布式的消息發(fā)布-訂閱系統(tǒng)，特點(diǎn)是速度快、可擴(kuò)展且持久。與其他消息發(fā)布-訂閱系統(tǒng)類似，Kafka可在主題中保存消息的信息。生產(chǎn)者向主題寫(xiě)入數(shù)據(jù)，消費(fèi)者從主題中讀取數(shù)據(jù)。淺析大數(shù)據(jù)分析技術(shù)

作為一個(gè)分布式的、分區(qū)的、低延遲的、冗余的日志提交服務(wù)。和Kafka類似消息中間件開(kāi)源產(chǎn)品還包括RabbiMQ、ActiveMQ、ZeroMQ等。

MapReduce：MapReduce是Google公司的核心計(jì)算模型，它將運(yùn)行于大規(guī)模集群上的復(fù)雜并行計(jì)算過(guò)程高度抽象為兩個(gè)函數(shù)：map和reduce。MapReduce最偉大之處在于其將處理大數(shù)據(jù)的能力賦予了普通開(kāi)發(fā)人員，以至于普通開(kāi)發(fā)人員即使不會(huì)任何的分布式編程知識(shí)，也能將自己的程序運(yùn)行在分布式系統(tǒng)上處理海量數(shù)據(jù)。

Hive：MapReduce將處理大數(shù)據(jù)的能力賦予了普通開(kāi)發(fā)人員，而Hive進(jìn)一步將處理和分析大數(shù)據(jù)的能力賦予了實(shí)際的數(shù)據(jù)使用人員(數(shù)據(jù)開(kāi)發(fā)工程師、數(shù)據(jù)分析師、算法工程師、和業(yè)務(wù)分析人員)。大數(shù)據(jù)分析培訓(xùn)課程大綱

Hive是由Facebook開(kāi)發(fā)并貢獻(xiàn)給Hadoop開(kāi)源社區(qū)的，是一個(gè)建立在Hadoop體系結(jié)構(gòu)上的一層SQL抽象。Hive提供了一些對(duì)Hadoop文件中數(shù)據(jù)集進(jìn)行處理、查詢、分析的工具。它支持類似于傳統(tǒng)RDBMS的SQL語(yǔ)言的查詢語(yǔ)言，一幫助那些熟悉SQL的用戶處理和查詢Hodoop在的數(shù)據(jù)，該查詢語(yǔ)言稱為Hive SQL。Hive SQL實(shí)際上先被SQL解析器解析，然后被Hive框架解析成一個(gè)MapReduce可執(zhí)行計(jì)劃，并按照該計(jì)劃生產(chǎn)MapReduce任務(wù)后交給Hadoop集群處理。

Spark：盡管MapReduce和Hive能完成海量數(shù)據(jù)的大多數(shù)批處理工作，并且在打數(shù)據(jù)時(shí)代稱為企業(yè)大數(shù)據(jù)處理的首選技術(shù)，但是其數(shù)據(jù)查詢的延遲一直被詬病，而且也非常不適合迭代計(jì)算和DAG(有限無(wú)環(huán)圖)計(jì)算。由于Spark具有可伸縮、基于內(nèi)存計(jì)算能特點(diǎn)，且可以直接讀寫(xiě)Hadoop上任何格式的數(shù)據(jù)，較好地滿足了數(shù)據(jù)即時(shí)查詢和迭代分析的需求，因此變得越來(lái)越流行。

Spark是UC Berkeley AMP Lab(加州大學(xué)伯克利分校的 AMP實(shí)驗(yàn)室)所開(kāi)源的類Hadoop MapReduce的通用并行框架，它擁有Hadoop MapReduce所具有的優(yōu)點(diǎn)，但不同MapReduce的是，Job中間輸出結(jié)果可以保存在內(nèi)存中，從而不需要再讀寫(xiě)HDFS ，因此能更好適用于數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等需要迭代的MapReduce算法。

Spark也提供類Live的SQL接口，即Spark SQL，來(lái)方便數(shù)據(jù)人員處理和分析數(shù)據(jù)。

Spark還有用于處理實(shí)時(shí)數(shù)據(jù)的流計(jì)算框架Spark Streaming,其基本原理是將實(shí)時(shí)流數(shù)據(jù)分成小的時(shí)間片段(秒或幾百毫秒)，以類似Spark離線批處理的方式來(lái)處理這小部分?jǐn)?shù)據(jù)。

Storm：MapReduce、Hive和Spark是離線和準(zhǔn)實(shí)時(shí)數(shù)據(jù)處理的主要工具，而Storm是實(shí)時(shí)處理數(shù)據(jù)的。

Storm是Twitter開(kāi)源的一個(gè)類似于Hadoop的實(shí)時(shí)數(shù)據(jù)處理框架。Storm對(duì)于實(shí)時(shí)計(jì)算的意義相當(dāng)于Hadoop對(duì)于批處理的意義。Hadoop提供了Map和Reduce原語(yǔ)，使對(duì)數(shù)據(jù)進(jìn)行批處理變得非常簡(jiǎn)單和優(yōu)美。同樣，Storm也對(duì)數(shù)據(jù)的實(shí)時(shí)計(jì)算提供了簡(jiǎn)單的Spout和Bolt原語(yǔ)。Storm集群表面上和Hadoop集群非常像，但是在Hadoop上面運(yùn)行的是MapReduce的Job,而在Storm上面運(yùn)行的是Topology(拓?fù)?。

Storm拓?fù)淙蝿?wù)和Hadoop MapReduce任務(wù)一個(gè)非常關(guān)鍵的區(qū)別在于：1個(gè)MapReduce Job最終會(huì)結(jié)束，而一個(gè)Topology永遠(yuǎn)運(yùn)行(除非顯示的殺掉它)，所以實(shí)際上Storm等實(shí)時(shí)任務(wù)的資源使用相比離線MapReduce任務(wù)等要大很多，因?yàn)殡x線任務(wù)運(yùn)行完就釋放掉所使用的計(jì)算、內(nèi)存等資源，而Storm等實(shí)時(shí)任務(wù)必須一直占有直到被顯式的殺掉。Storm具有低延遲、分布式、可擴(kuò)展、高容錯(cuò)等特性，可以保證消息不丟失，目前Storm, 類Storm或基于Storm抽象的框架技術(shù)是實(shí)時(shí)處理、流處理領(lǐng)域主要采用的技術(shù)。

Flink：在數(shù)據(jù)處理領(lǐng)域，批處理任務(wù)和實(shí)時(shí)流計(jì)算任務(wù)一般被認(rèn)為是兩種不同的任務(wù)，一個(gè)數(shù)據(jù)項(xiàng)目一般會(huì)被設(shè)計(jì)為只能處理其中一種任務(wù)，例如Storm只支持流處理任務(wù)，而MapReduce, Hive只支持批處理任務(wù)。

Apache Flink是一個(gè)同時(shí)面向分布式實(shí)時(shí)流處理和批量數(shù)據(jù)處理的開(kāi)源數(shù)據(jù)平臺(tái)，它能基于同一個(gè)Flink運(yùn)行時(shí)(Flink Runtime),提供支持流處理和批處理兩種類型應(yīng)用的功能。Flink在實(shí)現(xiàn)流處理和批處理時(shí)，與傳統(tǒng)的一些方案完全不同，它從另一個(gè)視角看待流處理和批處理，將二者統(tǒng)一起來(lái)。Flink完全支持流處理，批處理被作為一種特殊的流處理，只是它的數(shù)據(jù)流被定義為有界的而已?；谕粋€(gè)Flink運(yùn)行時(shí)，F(xiàn)link分別提供了流處理和批處理API，而這兩種API也是實(shí)現(xiàn)上層面向流處理、批處理類型應(yīng)用框架的基礎(chǔ)。大數(shù)據(jù)分析要學(xué)什么

Beam：Google開(kāi)源的Beam在Flink基礎(chǔ)上更進(jìn)了一步，不但希望統(tǒng)一批處理和流處理，而且希望統(tǒng)一大數(shù)據(jù)處理范式和標(biāo)準(zhǔn)。Apache Beam項(xiàng)目重點(diǎn)在于數(shù)據(jù)處理的的編程范式和接口定義，并不涉及具體執(zhí)行引擎的實(shí)現(xiàn)。Apache Beam希望基于Beam開(kāi)發(fā)的數(shù)據(jù)處理程序可以執(zhí)行在任意的分布式計(jì)算引擎上。

Apache Beam主要由Beam SDK和Beam Runner組成，Beam SDK定義了開(kāi)發(fā)分布式數(shù)據(jù)處理任務(wù)業(yè)務(wù)邏輯的API接口，生成的分布式數(shù)據(jù)處理任務(wù)Pipeline交給具體的Beam Runner執(zhí)行引擎。Apache Flink目前支持的API是由Java語(yǔ)言實(shí)現(xiàn)的，它支持的底層執(zhí)行引擎包括Apache Flink、Apache Spark和Google Cloud Flatform。

相關(guān)推薦：

《大數(shù)據(jù)分析方法》、《轉(zhuǎn)行大數(shù)據(jù)分析師后悔了》、《大數(shù)據(jù)分析師工作內(nèi)容》、《學(xué)大數(shù)據(jù)分析培訓(xùn)多少錢》、《大數(shù)據(jù)分析培訓(xùn)課程大綱》、《大數(shù)據(jù)分析培訓(xùn)課程內(nèi)容有哪些》、《大數(shù)據(jù)分析方法》、《大數(shù)據(jù)分析十八般工具》