前言

百度百科：大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

总之，对大数据的概念并没有一个明确的概念，也没有说数据要有多大才能算是大数据。通熟易懂地将，大数据就是很大很大的数据，要多大有多大。

大数据的特点 【4个V】

Volume大量：这个特点不用说就知道了吧，不是若不是大量的，怎么能说是大数据呢/p>

Variety多样：大数据有多种多样性：文字、图片、视频、音乐等等

Value价值：我们通过大数据分析，就可以得到大数据中蕴含的信息，这些信息是最珍贵的。比如说你经商上某宝，有一天你搜索了大数据的书，那么它就会在首页给你推荐所有关于大数据的书，这就是你的搜索记录让大数据分析系统分析出你需要一本关于大数据的数，于是给你智能推荐你需要的书，这个也就是精准营销。大数据分析出你的搜索记录搜索行为这些信息，是很珍贵的，这就是它的价值。

Velocity高速：大数据也是高速的，比如说你出行的时候需要查找最优路径，于是大数据系统会分析现在各条路上的人流量，给你推荐人最少的的最优路径，这个是需要实时计算的，也就是高速计算。

大数据工具 站： www.apache.org （绝大多数大数据的工具都是在这个 站中的）

大数据学习路线

• 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)/li>
• 云计算平台   (docker,kvm,openstack)

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ResourceManager 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 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集群，基于Web，界面友好。

三、Cloudera

Cloudera Manager： 管理 监控 诊断 集成
Cloudera CDH：  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。

四、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。

五、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 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 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的第三方集群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