如何成为云计算大数据Spark高手

本帖最后由 howtodown 于 2014-9-1 23:55 编辑
问题导读
1.你认为该如何学习spark？
2.你认为学习spark都需要掌握哪些内容？

拿破仑说：不想当将军的士兵不是好士兵。想成为spark高手吗，那就往下读吧？

Spark采用一个统一的技术堆栈解决了云计算大数据的如流处理、图技术、机器学习、NoSQL查询等方面的所有核心问题，具有完善的生态系统，这直接奠定了其一统云计算大数据领域的霸主地位；

要想成为Spark高手，需要经历一下阶段：

第一阶段：熟练的掌握Scala语言
1，Spark框架是采用Scala语言编写的，精致而优雅。要想成为Spark高手，你就必须阅读Spark的源代码，就必须掌握Scala,；
2，虽然说现在的Spark可以采用多语言Java、Python等进行应用程序开发，但是最快速的和支持最好的开发API依然并将永远是Scala方式的API，所以你必须掌握Scala来编写复杂的和高性能的Spark分布式程序；
3，尤其要熟练掌握Scala的trait、apply、函数式编程、泛型、逆变与协变等；

第二阶段：精通Spark平台本身提供给开发者API
1，掌握Spark中面向RDD的开发模式，掌握各种transformation和action函数的使用；
2，掌握Spark中的宽依赖和窄依赖以及lineage机制；
3，掌握RDD的计算流程，例如Stage的划分、Spark应用程序提交给集群的基本过程和Worker节点基础的工作原理等

第三阶段：深入Spark内核
此阶段主要是通过Spark框架的源码研读来深入Spark内核部分：
1，通过源码掌握Spark的任务提交过程；
2，通过源码掌握Spark集群的任务调度；
3，尤其要精通DAGScheduler、TaskScheduler和Worker节点内部的工作的每一步的细节；

第四阶级:掌握基于Spark上的核心框架的使用
Spark作为云计算大数据时代的集大成者，在实时流处理、图技术、机器学习、NoSQL查询等方面具有显著的优势，我们使用Spark的时候大部分时间都是在使用其上的框架例如Shark、Spark Streaming等：

1，Spark Streaming是非常出色的实时流处理框架，要掌握其DStream、transformation和checkpoint等；
2，Spark的离线统计分析功能，Spark 1.0.0版本在Shark的基础上推出了Spark SQL，离线统计分析的功能的效率有显著的提升，需要重点掌握；
3，对于Spark的机器学习和GraphX等要掌握其原理和用法；

第五阶级:做商业级别的Spark项目
通过一个完整的具有代表性的Spark项目来贯穿Spark的方方面面，包括项目的架构设计、用到的技术的剖析、开发实现、运维等，完整掌握其中的每一个阶段和细节，这样就可以让您以后可以从容面对绝大多数Spark项目。

第六阶级：提供Spark解决方案
1，彻底掌握Spark框架源码的每一个细节；
2，根据不同的业务场景的需要提供Spark在不同场景的下的解决方案；
3，根据实际需要，在Spark框架基础上进行二次开发，打造自己的Spark框架；

前面所述的成为Spark高手的六个阶段中的第一和第二个阶段可以通过自学逐步完成，随后的三个阶段最好是由高手或者专家的指引下一步步完成，最后一个阶段，基本上就是到”无招胜有招”的时期，很多东西要用心领悟才能完成。

Riordon · 发表于 2014-9-2 08:29:25

技术百花齐放，该何去何从...

271592448 · 发表于 2014-9-2 08:57:23

源码通读必不可少。可以通过spark-core里面的例子，学习api。

xin07020220 · 发表于 2014-9-8 15:39:53

咱还是先沉下心来把scala学好先吧！！！

xpy888 · 发表于 2014-10-25 11:14:50

@xioaxu790 ，  你好，有个关于spark编程的问题想请教你。不知道可否？这样回复有点冒昧了。请见谅。

1412043042    125.64.229.40 CN5115 auto.sohu.com /wmh-auto-tab?pvid=tc_auto&a=tab&b=auto 000242D62CB409A55251BDCE0D3381D3
1412037977    60.165.17.191 CN6201 auto.sohu.com /wmh-auto-tab?pvid=tc_auto&a=tab&b=auto 00026D7C9E94DA60EE020DC57AB4EB73
1412036910    1.83.119.80    CN6101 jiangjia.auto.sohu.com  /110000/157/4001/0/all/all/0/0/fd/0.html 00029B77BFAD79F18EBF90DBACBDDE21
1412040269    1.85.212.7    CN6101 db.auto.sohu.com       /model_1004/pic_t3295555.shtml 00029B77BFAD79F18EBF90DBACBDDE21
1412040254    1.85.212.7    CN6101 db.auto.sohu.com       /model_1004/pic_t3106880.shtml 00029B77BFAD79F18EBF90DBACBDDE21
1412040271    1.85.212.7    CN6101 db.auto.sohu.com       /model_1004/pic_t3295553.shtml 00029B77BFAD79F18EBF90DBACBDDE21
1412040292    1.85.212.7    CN6101 db.auto.sohu.com       /model_1004/pic_m3235689.shtml 00029B77BFAD79F18EBF90DBACBDDE21

第一列：时间
第二列： ip
第三列：地区码，相当于某个地区的代码
第四列：域名
第五列： url
第六列：suv  --> (说明：来计算uv的)，需要去重的

现在想通过spark 来计算当前日志中包含 db.auto.sohu.com 的 pv 和 uv

val rdd = sc.textFile("/user/logs/pvlog/test1")