【大数据】思维导图-数据采集、存储、数据仓库、计算框架、资源管理&任务调度、部署、可视化

大数据常用流程图

大数据技术分为多个层次

思维导图

大数据相关学习路线分为：


数据保存到数据库中，分为关系型数据库（常用mysql）以及非关系型数据库（Hbase分布式列式数据库），redis键值对数据库，以及clickhouse列式数据库。


数据采集工具：实时产生的日志或者文件视频等数据、以及已经存储到数据库里的数据需要查询出来进行计算，
涉及到的一些工具，例如sqoop能够将关系型数据库的数据和HDFS分布式文件存储系统进行转换。
DataX不仅可以对关系型数据库，也可以对非关系型数据库的数据进行离线同步以及采集功能。
Flume一般针对日志文件进行收集，消息队列可以缓存队列进行缓冲数据。

CDC工具：例如Flink CDC可以将数据库中数据增删改查的变更捕获到，然后写入到消息队列例如kafka中，
然后Flink计算框架进行处理计算。

数据存储：HDFS，因为一般数据库存储是存到安装数据库的机器上，只能向上扩展，
但是hdfs采用分布式存储，其中hbase数据库就是基于hdfs文件存储的列式数据库。

数据仓库：HIVE，对不同数据源的所有数据进行处理，挖掘和分析工作。
其中数据查询引擎效率不高，所以可以采用presto分布式sql交互式查询引擎。

元数据管理和数据治理工具Atlas：hive中的元数据因为有很多库，表，字段，
如何才能更好地管理，将这些元数据做成一个字典形式方便查看，就叫数据字典。

资源管理：yarn可以通过按需进行独立分配资源，
数据计算：根据不同的计算模型，处理不同的数据类型（批量和流式数据）进行分为不同的计算框架。
重点：storm、flink

部署中CDH：如果hadoop自己部署，会产生版本管理混乱、部署过程繁琐、升级过程复杂的问题，
为什么需要CDH？
假如公司要求给500台机器，进行安装hadoop集群。
只给你一天时间，完成以上工作。
或者如果对于以上集群进行hadoop版本升级，你会选择什么升级方案，最少要花费多长时间？
你在过程中会大大考虑新版本的Hadoop，与Hive、Hbase、Flume、Kafka、Spark等等兼容？
CDH通过基于Web的用户界面,支持大多数Hadoop组件，
包括HDFS、MapReduce、Hive、Pig、 Hbase、Zookeeper、Sqoop,简化了大数据平台的安装、使用难度。