大数据处理技术 - 基于Hadoop的实战

随着互联网、移动互联网和物联网的发展，我们已经切实地迎来了一个大数据的时代。大数据是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合，对大数据的分析已经成为一个非常重要且紧迫的需求。目前对大数据的分析工具，首选的是Hadoop平台。Hadoop在可伸缩性、健壮性、计算性能和成本上具有无可替代的优势，事实上已成为当前互联网企业主流的大数据分析平台。为解决广大系统设计人员深入研究与开发大数据技术的需要，培训中心特举办“大数据处理技术-基于Hadoop的实战”培训班，具体事宜通知如下：

一、培训对象

1，系统架构师、系统分析师、高级程序员、资深开发人员。

2，牵涉到大数据处理的数据中心运行、规划、设计负责人。

3，政府机关，金融保险、移动和互联网等大数据来源单位的负责人。

4，高校、科研院所牵涉到大数据与分布式数据处理的项目负责人。

二、学员基础

1，对IT系统设计有一定的理论与实践经验。

2，有一定的数据仓库与大数据处理的基础知识。

三、师资

由业界知名云计算专家亲自授课：

杨老师   主要研究网络信息分析以及云计算相关技术，长期从事通信网管系统、网络信息处理、商务智能(BI)以及电信决策支持系统的研究开发工作，主持和参与了多个国家和省部级基金项目，具有丰富的工程实践及软件研发经验。

四、培训要点

互联网点击数据、传感数据、日志文件、具有丰富地理空间信息的移动数据和涉及网络的各类评论，成为了海量信息的多种形式。当数据以成百上千TB不断增长的时候，我们在内部交易系统的历史信息之外，需要一种基于大数据分析的决策模型和技术支持。

大数据通常具有：数据体量(Volume)巨大,数据类型(Variety)繁多,价值(Value)密度低,处理速度(Velocity)快等四大特征。如何有效管理和高效处理这些大数据已成为当前亟待解决的问题。大数据处理意味着更严峻的挑战，更好地管理和处理这些数据也将会获得意想不到的收获。

Google发布的GFS和MapReduce等高可扩展、高性能的分布式大数据处理框架，证明了在处理海量网页数据时该框架的优越性。GFS/MapReduce框架实现了更高应用层次的抽象，使用户无需关注复杂的内部工作机制，无需具备丰富的分布式系统知识及开发经验，即可实现大规模分布式系统的部署与大数据的并行处理。

Apache Hadoop开源项目开发团队。他们克隆了GFS/MapReduce框架，推出了Hadoop系统。该系统已受到学术界和工业界的广泛认可和采纳，并孵化出众多子项目(如Pig，Zookeeper和Hive等)，日益形成一个易部署、易开发、功能齐全、性能优良的系统。

本课程从大数据技术以及Hadoop实战的角度，结合理论和实践，全方位地介绍Hadoop这一高性能处理大数据工具的开发技巧。本课程涉及的主题包括：Hadoop分布式文件系统及Hadoop的I/O；MapReduce的的工作机制、类型和格式；如何构建和管理Hadoop集群；Pig Latin语言的使用技巧；Hive数据仓库工具介绍；HBase和Zookeeper工具的使用和管理；开源数据采集工具sqoop。

教学过程中还提供了案例分析来帮助学员了解如何用Hadoop系列工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。本课程不是一个泛泛的理论性、概念性的介绍课程，而是针对问题讨论解决方案的深入课程。教师对于上述领域有深入的理论研究与实践经验，在课程中将会针对这些问题与学员一起进行研究，在关键点上还会搭建实验环境进行实践研究，以加深对于这些解决方案的理解。

五、培训内容

第一讲 云计算及大数据处理技术介绍

  1）云计算的概念

  2）云计算发展现状

  3）大数据的概念

  4）大数据的应用

  5）大数据关键技术

第二讲 Google中的关键技术

  1）GFS文件系统

  2）Chubby中的Paxos算法

  3）MapReduce技术机制

  4）Bigtable表管理技术

第三讲 Hadoop文件系统HDFS及其文件结构

  1） Hadoop项目简介

  2） HDFS体系结构

  3） HDFS关键运行机制

  4） Hadoop vs Google

  5） Hadoop API   

第四讲 MapReduce编程模型及其应用开发

  1)  MapReduce产生背景

  2)  MapReduce编程模型

  3)  MapReduce实现机制

  4)  MapReduce案例分析

第五讲 Pig Latin及其使用

   1）Pig 设计的目标

   2）Pig Latine介绍

   3）Pig关键性技术

   4）Pig的实用案例

第六讲 数据仓库Hive使用

   1) Hive设计目标

   2) Hive数据模型

   3) Hive关键性技术

   4) Hive的使用案例

第七讲 HBase和ZooKeeper使用

   1） Hbase运行机制简介

   2） HBase与 HDFS

   3） HBase的对外接口

   4） ZooKeeper的数据模型

   5） ZooKeeper的读写机制

   6） ZooKeeper的使用方法

第八讲 数据抽取工具Sqoop使用

   1）数据抽取技术介绍

   2）Sqoop中的关键技术

   3）Sqoop数据抽取策略

   4）数据挖掘及分析

第九讲 当前数据中心的改造和转换分析

   1）主流商业大数据解决方案比较

   2）主流开源云计算系统比较 

   3）国内代表性大数据平台比较 

第十讲各厂商最新的大数据产品介绍

   1）IBM的大数据技术

   2）HP的大数据技术

   3）Teradata的大数据技术

   4）其它厂商的大数据处理

六、培训目标

1, 全面了解大数据处理技术的相关知识。

2，学习Hadoop的核心技术方法以及应用特征。

3，深入使用Hadoop相关工具在大数据中的使用。

4，掌握传统数据中心向云计算中心转换的关键技术。