写给大数据开发初学者的话（四）

如果你已经按照《写给大数据开发初学者的话3》中第五章和第六章的流程认真完整的走了一遍，那么你应该已经具备以下技能和知识点：

• 为什么Spark比MapReduce快。
• 使用SparkSQL代替Hive，更快的运行SQL。
• 使用Kafka完成数据的一次收集，多次消费架构。
• 自己可以写程序完成Kafka的生产者和消费者。
  

点击进入『21世纪大数据人才汇聚领域』

点击进入『21世纪数据分析精英聚集地』

点击进入『21世纪大数据高薪就业领地』

从前面的学习，你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。

第七章：越来越多的分析任务

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。

7.1 Apache Oozie

1.    Oozie是什么？有哪些功能？

2.    Oozie可以调度哪些类型的任务（程序）？

3.    Oozie可以支持哪些任务触发方式？

4.    安装配置Oozie。

7.2 其他开源的任务调度系统

Azkaban：

https://azkaban.github.io/

light-task-scheduler：

https://github.com/ltsopensource/light-task-scheduler

Zeus：

https://github.com/alibaba/zeus

等等……

另外，我这边是之前单独开发的任务调度与监控系统，具体请参考《大数据平台任务调度与监控系统》.

如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的：

第八章：我的数据要实时

在第六章介绍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。当然，如果可以的话，也可以自己写程序来做。

8.1 Storm

1.    什么是Storm？有哪些可能的应用场景？

2.    Storm由哪些核心组件构成，各自担任什么角色？

3.    Storm的简单安装和部署。

4.    自己编写Demo程序，使用Storm完成实时数据流计算。

8.2 Spark Streaming

1.    什么是Spark Streaming，它和Spark是什么关系？

2.    Spark Streaming和Storm比较，各有什么优缺点？

3.    使用Kafka + Spark Streaming，完成实时计算的Demo程序。

如果你认真完成了上面的学习和实践，此时，你的”大数据平台”应该是这样的：