No.8
数据传输 Kafka / Datahub
这是个比较好用的队列工具，队列是干吗的？排队买票你知道不？数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据（比如好几百G的文件）我怎么处理得过来。
你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了，因为处理不过来就是他的事情，而不是你给的问题。ㄟ( ▔, ▔ )ㄏ
这时，使用Flume采集的数据，不是直接到HDFS上，而是先到Kafka，Kafka中的数据可以由多个消费者同时消费，其中一个消费者，就是将数据同步到HDFS上。
目前 Flume + Kafka，在实时流式日志的处理非常常见，后面再通过Spark Streaming等流式处理技术，就可完成日志的实时解析和应用。
如果你搞定了数据传输
你的“大数据平台”当是这样（＾∀＾●）ﾉｼ
从前面的学习，已经掌握了大数据平台中的数据采集、数据存储和计算、数据交换等大部分技能，而这其中的每一步，都需要一个任务（程序）来完成，各个任务之间又存在一定的依赖性，比如，必须等数据采集任务成功完成后，数据计算任务才能开始运行。如果一个任务执行失败，需要给开发运维人员发送告警，同时需要提供完整的日志来方便查错。
No.9
任务调度 Oozie / Azkaban
不仅仅是分析任务，数据采集、数据交换同样是一个个的任务。这些任务中，有的是定时触发，有点则需要依赖其他任务来触发。
当平台中有几百上千个任务需要维护和运行时候，仅仅靠crontab远远不够了，这时便需要一个调度监控系统来完成这件事。调度监控系统是整个数据平台的中枢系统，类似于AppMaster，负责分配和监控任务。
你的“大数据平台”升级了 (ง •_•)ง！
No.10
实时数据的处理 Flink
在前面讲Kafka的时候提到了一些需要实时指标的业务场景，实时基本可以分为绝对实时和准实时，绝对实时的延迟要求一般在毫秒级，准实时的延迟要求一般在秒、分钟级。
对于需要绝对实时的业务场景，用的比较多的是Storm，对于其他准实时的业务场景，可以是Storm，也可以是Spark Streaming，简单业务场景 Kafka Streams 也能搞定，当然现在最火的是Flink 。
是不是晕了，这么多流式处理框架，我该怎么选择呢？
掌握了实时流技术
你的“大数据平台”也变得更加强大了 (●ˇ∀ˇ●)
至此，你的大数据平台底层架构已经成型了，其中包括了数据采集、数据存储与计算（离线和实时）、数据同步、任务调度与监控这几大模块。接下来是时候考虑如何更好的对外提供数据了。
No.11
数据对外（支撑业务）
离线：比如，每天将前一天的数据提供到指定的数据源（DB、FILE、FTP）等；离线数据的提供可以采用Sqoop、DataX等离线数据交换工具。
实时：比如，在线网站的推荐系统，需要实时从数据平台中获取给用户的推荐数据，这种要求延时非常低（50毫秒以内）。
根据延时要求和实时数据的查询需要，可能的方案有：HBase、Redis、MongoDB、ElasticSearch等。
分布式数据库HBase，这是Hadoop生态体系中的NOSQL数据库，它的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MySQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。
了解MongoDB及其它分布式数据库技术，能够掌握分布式数据库原理、应用场景、HBase数据库的设计、操作等，能结合Hive等工具进行海量数据的存储于检索。
OLAP分析：OLAP除了要求底层的数据模型比较规范，另外，对查询的响应速度要求也越来越高，可能的方案有：Impala、Presto、SparkSQL、Kylin。如果你的数据模型比较规模，那么Kylin是最好的选择。
即席查询：即席查询的数据比较随意，一般很难建立通用的数据模型，因此可能的方案有：Impala、Presto、SparkSQL。
这么多比较成熟的框架和方案，需要结合自己的业务需求及数据平台技术架构，选择合适的。原则只有一个：越简单越稳定的，就是最好的。
基于上述技术栈
你已经能完成一个大数据平台通用架构了！
有些没提到的
我还在（真的让人头秃啊 X﹏X）！
No.12
机器学习 Spark MlLib
在我们的业务中，遇到的能用机器学习解决的问题大概这么三类：
1.分类问题：包括二分类和多分类，二分类就是解决了预测的问题，就像预测一封邮件是否垃圾邮件；多分类解决的是文本的分类；
2.聚类问题：从用户搜索过的关键词，对用户进行大概的归类。
3.推荐问题：根据用户的历史浏览和点击行为进行相关推荐。大多数行业，使用机器学习解决的，也就是这几类问题。
入门学习线路：
1.数学基础（这里就要求数学好一点啦 ）
2.机器学习实战（Machine Learning in Action）
3.Spark MlLib提供了一些封装好的算法，以及特征处理、特征选择的方法
4.机器学习确实牛逼高大上，也是我学习的目标。
至此，可以把机器学习部分也加进你的“大数据平台”了。
以上是个人的一些经历和见解，希望能对大数据有兴趣的朋友一种启发式作用，方法的学习还需要在有兴趣的基础上继续专研。
大数据是一门技术，技术的学习中会有很枯燥的时候，坚持下去，你的成就感就会慢慢生成，接下来的大数据学习便趣味横生，得心应手啦！
