大数据从入门到精通：大数据编程开发
很多人都知道大数据很火，就业很好，薪资很高，想往大数据方向发展。但该学哪些技术，学习路线是什么样的呢?
大数据的三个发展方向，平台搭建/优化/运维/监控、大数据开发/设计/架构、数据分析/挖掘。
先说一下大数据的4V特征：
数据量大，TB->PB
数据类型繁多，结构化、非结构化文本、日志、视频、图片、地理位置等;
商业价值高，但是这种价值需要在海量数据之上，通过数据分析与机器学习更快速的挖掘出来;
处理时效性高，海量数据的处理需求不再局限在离线计算当中。
现如今，正式为了应对大数据的这几个特点，开源的大数据框架越来越多，越来越强，再列举
大数据学习交流QQ群:606859705，群里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入,大家都是软件开发党，有大量干货（只有大数据软件开发相关的），包括我自己整理的一份大数据进阶资料和高级开发教程，欢迎进阶中和想深入大数据的小伙伴加入。
一些常见的：
文件存储：hadoop HDFS、Tachyon、KFS
离线计算：Hadoop MapReduce、Spark
流式、实时计算：Storm、Spark Streaming、S4、Heron
K-V、NOSQL数据库：HBase、Redis、MongoDB
资源管理：YARN、Mesos
日志收集：Flume、Scribe、Logstash、Kibana
消息系统：Kafka、StormMQ、ZeroMQ、RabbitMQ
查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid
分布式协调服务：Zookeeper
集群管理与监控：Ambari、Ganglia、Nagios、Cloudera Manager
数据挖掘、机器学习：Mahout、Spark MLLib
数据同步：Sqoop
任务调度：Oozie
……
上面有30多种吧，别说精通了，全部都会使用的，估计也没几个。
详细讲讲第二个方向(开发/设计/架构)，这个方向相当容易找工作。
第一章：初识Hadoop
1.1 学会百度与Google
不论遇到什么问题，先试试搜索并自己解决。
Google首选，翻不过去的，就用百度吧。
1.2 参考资料首选官方文档
特别是对于入门来说，官方文档永远是首选文档。
相信搞这块的大多是文化人，英文凑合就行，实在看不下去的，请参考第一步。
1.3 先让Hadoop跑起来
Hadoop可以算是大数据存储和计算的开山鼻祖，现在大多开源的大数据框架都依赖Hadoop或者与它能很好的兼容。
关于Hadoop,你至少需要搞清楚以下是什么：
Hadoop 1.0、Hadoop 2.0
MapReduce、HDFS
NameNode、DataNode
JobTracker、TaskTracker
Yarn、ResourceManager、NodeManager
自己搭建Hadoop，请使用第一步和第二步，能让它跑起来就行。
建议先使用安装包命令行安装，不要使用管理工具安装。
1.4 试试使用Hadoop
HDFS目录操作命令;
上传、下载文件命令;
提交运行MapReduce示例程序;
打开Hadoop WEB界面，查看Job运行状态，查看Job运行日志。
知道Hadoop的系统日志在哪里。
1.5 你该了解它们的原理了
MapReduce：如何分而治之;
HDFS：数据到底在哪里，什么是副本;
Yarn到底是什么，它能干什么;
NameNode到底在干些什么;
ResourceManager到底在干些什么;
1.6 自己写一个MapReduce程序
请仿照WordCount例子，自己写一个(照抄也行)WordCount程序，
打包并提交到Hadoop运行。
你不会Java?Shell、Python都可以，有个东西叫Hadoop Streaming。
如果你认真完成了以上几步，恭喜你，你的一只脚已经进来了。
第二章：更高效的WordCount
2.1 学点SQL吧
你知道数据库吗?你会写SQL吗?
如果不会，请学点SQL吧。
2.2 SQL版WordCount
在1.6中，你写(或者抄)的WordCount一共有几行代码?
例如:
SELECT word,COUNT(1) FROM wordcount GROUP BY word;
这便是SQL的魅力，编程需要几十行，甚至上百行代码，这一句就搞定;使用SQL处理分析Hadoop上的数据，方便、高效、易上手、更是趋势。不论是离线计算还是实时计算，越来越多的大数据处理框架都在积极提供SQL接口。
2.3 SQL On Hadoop之Hive
什么是Hive?官方给的解释是：
The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax.
为什么说Hive是数据仓库工具，而不是数据库工具呢?有的朋友可能不知道数据仓库，数据仓库是逻辑上的概念，底层使用的是数据库，数据仓库中的数据有这两个特点：最全的历史数据(海量)、相对稳定的;所谓相对稳定，指的是数据仓库不同于业务系统数据库，数据经常会被更新，数据一旦进入数据仓库，很少会被更新和删除，只会被大量查询。而Hive，也是具备这两个特点，因此，Hive适合做海量数据的数据仓库工具，而不是数据库工具。
2.4 安装配置Hive
请参考1.1和 1.2 完成Hive的安装配置。可以正常进入Hive命令行。
2.5 试试使用Hive
请参考1.1和 1.2 ，在Hive中创建wordcount表，并运行2.2中的SQL语句。
在Hadoop WEB界面中找到刚才运行的SQL任务。
看SQL查询结果是否和1.4中MapReduce中的结果一致。
2.6 Hive是怎么工作的
明明写的是SQL，为什么Hadoop WEB界面中看到的是MapReduce任务?
2.7 学会Hive的基本命令
创建、删除表;
加载数据到表;
下载Hive表的数据;
请参考1.2，学习更多关于Hive的语法和命令。
如果你已经按照《写给大数据开发初学者的话》中第一章和第二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：
0和Hadoop2.0的区别;
MapReduce的原理(还是那个经典的题目，一个10G大小的文件，给定1G大小的内存，如何使用Java程序统计出现次数最多的10个单词及次数);
HDFS读写数据的流程;向HDFS中PUT数据;从HDFS中下载数据;
自己会写简单的MapReduce程序，运行出现问题，知道在哪里查看日志;
会写简单的SELECT、WHERE、GROUP BY等SQL语句;
Hive SQL转换成MapReduce的大致流程;
Hive中常见的语句：创建表、删除表、往表中加载数据、分区、将表中数据下载到本地;
从上面的学习，你已经了解到，HDFS是Hadoop提供的分布式存储框架，它可以用来存储海量数据，MapReduce是Hadoop提供的分布式计算框架，它可以用来统计和分析HDFS上的海量数据，而Hive则是SQL On Hadoop，Hive提供了SQL接口，开发人员只需要编写简单易上手的SQL语句，Hive负责把SQL翻译成MapReduce，提交运行。
那么问题来了，海量数据如何到HDFS上呢?
第三章：把别处的数据搞到Hadoop上
此处也可以叫做数据采集，把各个数据源的数据采集到Hadoop上。
3.1 HDFS PUT命令
这个在前面你应该已经使用过了。
put命令在实际环境中也比较常用，通常配合shell、python等脚本语言来使用。
建议熟练掌握。
3.2 HDFS API
HDFS提供了写数据的API，自己用编程语言将数据写入HDFS，put命令本身也是使用API。
实际环境中一般自己较少编写程序使用API来写数据到HDFS，通常都是使用其他框架封装好的方法。比如：Hive中的INSERT语句，Spark中的saveAsTextfile等。
建议了解原理，会写Demo。
3.3 Sqoop
Sqoop是一个主要用于Hadoop/Hive与传统关系型数据库Oracle/MySQL/SQLServer等之间进行数据交换的开源框架。
就像Hive把SQL翻译成MapReduce一样，Sqoop把你指定的参数翻译成MapReduce，提交到Hadoop运行，完成Hadoop与其他数据库之间的数据交换。
自己下载和配置Sqoop(建议先使用Sqoop1，Sqoop2比较复杂)。
了解Sqoop常用的配置参数和方法。
使用Sqoop完成从MySQL同步数据到HDFS;
使用Sqoop完成从MySQL同步数据到Hive表;
PS：如果后续选型确定使用Sqoop作为数据交换工具，那么建议熟练掌握，否则，了解和会用Demo即可。
3.4 Flume
Flume是一个分布式的海量日志采集和传输框架，因为“采集和传输框架”，所以它并不适合关系型数据库的数据采集和传输。
Flume可以实时的从网络协议、消息系统、文件系统采集日志，并传输到HDFS上。
因此，如果你的业务有这些数据源的数据，并且需要实时的采集，那么就应该考虑使用Flume。
下载和配置Flume。
使用Flume监控一个不断追加数据的文件，并将数据传输到HDFS;
PS：Flume的配置和使用较为复杂，如果你没有足够的兴趣和耐心，可以先跳过Flume。
3.5 阿里开源的DataX
之所以介绍这个，是因为我们公司目前使用的Hadoop与关系型数据库数据交换的工具，就是之前基于DataX开发的，非常好用。
现在DataX已经是3.0版本，支持很多数据源。
你也可以在其之上做二次开发。
PS：有兴趣的可以研究和使用一下，对比一下它与Sqoop。
第四章：把Hadoop上的数据搞到别处去
前面介绍了如何把数据源的数据采集到Hadoop上，数据到Hadoop上之后，便可以使用Hive和MapReduce进行分析了。那么接下来的问题是，分析完的结果如何从Hadoop上同步到其他系统和应用中去呢?
其实，此处的方法和第三章基本一致的。
4.1 HDFS GET命令
把HDFS上的文件GET到本地。需要熟练掌握。
4.2 HDFS API
同3.2.
4.3 Sqoop
同3.3.
使用Sqoop完成将HDFS上的文件同步到MySQL;
使用Sqoop完成将Hive表中的数据同步到MySQL;
4.4 DataX
同3.5.
你应该已经具备以下技能和知识点：
知道如何把已有的数据采集到HDFS上，包括离线采集和实时采集;
你已经知道sqoop(或者还有DataX)是HDFS和其他数据源之间的数据交换工具;
你已经知道flume可以用作实时的日志采集。
从前面的学习，对于大数据平台，你已经掌握的不少的知识和技能，搭建Hadoop集群，把数据采集到Hadoop上，使用Hive和MapReduce来分析数据，把分析结果同步到其他数据源。
接下来的问题来了，Hive使用的越来越多，你会发现很多不爽的地方，特别是速度慢，大多情况下，明明我的数据量很小，它都要申请资源，启动MapReduce来执行。
第五章：快一点吧，我的SQL
其实大家都已经发现Hive后台使用MapReduce作为执行引擎，实在是有点慢。
因此SQL On Hadoop的框架越来越多，按我的了解，最常用的按照流行度依次为SparkSQL、Impala和Presto.
这三种框架基于半内存或者全内存，提供了SQL接口来快速查询分析Hadoop上的数据。关于三者的比较，请参考1.1.
我们目前使用的是SparkSQL，至于为什么用SparkSQL，原因大概有以下吧：
使用Spark还做了其他事情，不想引入过多的框架;
Impala对内存的需求太大，没有过多资源部署;
5.1 关于Spark和SparkSQL
什么是Spark，什么是SparkSQL。
Spark有的核心概念及名词解释。
SparkSQL和Spark是什么关系，SparkSQL和Hive是什么关系。
SparkSQL为什么比Hive跑的快。
5.2 如何部署和运行SparkSQL
Spark有哪些部署模式?
如何在Yarn上运行SparkSQL?
使用SparkSQL查询Hive中的表。
PS: Spark不是一门短时间内就能掌握的技术，因此建议在了解了Spark之后，可以先从SparkSQL入手，循序渐进。
第六章：一夫多妻制
请不要被这个名字所诱惑。其实我想说的是数据的一次采集、多次消费。
在实际业务场景下，特别是对于一些监控日志，想即时的从日志中了解一些指标(关于实时计算，后面章节会有介绍)，这时候，从HDFS上分析就太慢了，尽管是通过Flume采集的，但Flume也不能间隔很短就往HDFS上滚动文件，这样会导致小文件特别多。
为了满足数据的一次采集、多次消费的需求，这里要说的便是Kafka。
6.1 关于Kafka
什么是Kafka?
Kafka的核心概念及名词解释。
6.2 如何部署和使用Kafka
使用单机部署Kafka，并成功运行自带的生产者和消费者例子。
使用Java程序自己编写并运行生产者和消费者程序。
Flume和Kafka的集成，使用Flume监控日志，并将日志数据实时发送至Kafka。
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。
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。
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：
light-task-scheduler：
https://github.com/ltsopensource/light-task-scheduler
Zeus：
https://github.com/alibaba/zeus
等等……
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。
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。
第九章：我的数据要对外
通常对外(业务)提供数据访问，大体上包含以下方面：
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。
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。
第十章：逼格高的机器学习
关于这块，大讲台老师只是简单介绍一下了。
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：
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;
聚类问题：从用户搜索过的关键词，对用户进行大概的归类。
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：
数学基础;
机器学习实战(Machine Learning in Action)，懂Python最好;
SparkMlLib提供了一些封装好的算法，以及特征处理、特征选择的方法。当然，你如果想更快掌握大数据，可以了解大讲台主推的大数据培训相关课程，不会让你失望的。
大数据学习交流QQ群:606859705，群里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入,大家都是软件开发党，有大量干货（只有大数据软件开发相关的），包括我自己整理的一份大数据进阶资料和高级开发教程，欢迎进阶中和想深入大数据的小伙伴加入。
一、Scala编程详解：
第1讲-Spark的前世今生
第2讲-课程介绍、特色与价值
第3讲-Scala编程详解：基础语法
第4讲-Scala编程详解：条件控制与循环
第5讲-Scala编程详解：函数入门
第6讲-Scala编程详解：函数入门之默认参数和带名参数
第7讲-Scala编程详解：函数入门之变长参数
第8讲-Scala编程详解：函数入门之过程、lazy值和异常
第9讲-Scala编程详解：数组操作之Array、ArrayBuffer以及遍历数组
第10讲-Scala编程详解：数组操作之数组转换
第11讲-Scala编程详解：Map与Tuple
第12讲-Scala编程详解：面向对象编程之类
第13讲-Scala编程详解：面向对象编程之对象
第14讲-Scala编程详解：面向对象编程之继承
第15讲-Scala编程详解：面向对象编程之Trait
第16讲-Scala编程详解：函数式编程
第17讲-Scala编程详解：函数式编程之集合操作
第18讲-Scala编程详解：模式匹配
第19讲-Scala编程详解：类型参数
第20讲-Scala编程详解：隐式转换与隐式参数
第21讲-Scala编程详解：Actor入门
二、课程环境搭建：
第22讲-课程环境搭建：CentOS 6.5集群搭建
第23讲-课程环境搭建：Hadoop 2.4.1集群搭建
第24讲-课程环境搭建：Hive 0.13搭建
第25讲-课程环境搭建：ZooKeeper 3.4.5集群搭建
第26讲-课程环境搭建：kafka_2.9.2-0.8.1集群搭建
第27讲-课程环境搭建：Spark 1.3.0集群搭建
三、Spark核心编程：
第28讲-Spark核心编程：Spark基本工作原理与RDD
第29讲-Spark核心编程：使用Java、Scala和spark-shell开发wordcount程序
第30讲-Spark核心编程：wordcount程序原理深度剖析
第31讲-Spark核心编程：Spark架构原理
第32讲-Spark核心编程：创建RDD实战（集合、本地文件、HDFS文件）
第33讲-Spark核心编程：操作RDD实战（transformation和action案例实战）
第34讲-Spark核心编程：transformation操作开发案例实战
第35讲-Spark核心编程：action操作开发案例实战
第36讲-Spark核心编程：RDD持久化详解
第37讲-Spark核心编程：共享变量（Broadcast Variable和Accumulator）
第38讲-Spark核心编程：高级编程之基于排序机制的wordcount程序
第39讲-Spark核心编程：高级编程之二次排序实战
第40讲-Spark核心编程：高级编程之topn与分组取topn实战
四、Spark内核源码深度剖析：
第41讲-Spark内核源码深度剖析：Spark内核架构深度剖析
第42讲-Spark内核源码深度剖析：宽依赖与窄依赖深度剖析
第43讲-Spark内核源码深度剖析：基于Yarn的两种提交模式深度剖析
第44讲-Spark内核源码深度剖析：SparkContext初始化原理剖析与源码分析
第45讲-Spark内核源码深度剖析：Master主备切换机制原理剖析与源码分析
第46讲-Spark内核源码深度剖析：Master注册机制原理剖析与源码分析
第47讲-Spark内核源码深度剖析：Master状态改变处理机制原理剖析与源码分析
第48讲-Spark内核源码深度剖析：Master资源调度算法原理剖析与源码分析
第49讲-Spark内核源码深度剖析：Worker原理剖析与源码分析
第50讲-Spark内核源码深度剖析：Job触发流程原理剖析与源码分析
第51讲-Spark内核源码深度剖析：DAGScheduler原理剖析与源码分析（stage划分算法与task最佳位置算法）
第52讲-Spark内核源码深度剖析：TaskScheduler原理剖析与源码分析（task分配算法）
第53讲-Spark内核源码深度剖析：Executor原理剖析与源码分析
第54讲-Spark内核源码深度剖析：Task原理剖析与源码分析
第55讲-Spark内核源码深度剖析：Shuffle原理剖析与源码分析（普通Shuffle与优化后的Shuffle）
第56讲-Spark内核源码深度剖析：BlockManager原理剖析与源码分析（Spark底层存储机制）
第57讲-Spark内核源码深度剖析：CacheManager原理剖析与源码分析
第58讲-Spark内核源码深度剖析：Checkpoint原理剖析与源码分析
五、Spark性能优化：
第59讲-Spark性能优化：性能优化概览
第60讲-Spark性能优化：诊断内存的消耗
第61讲-Spark性能优化：高性能序列化类库
第62讲-Spark性能优化：优化数据结构
第63讲-Spark性能优化：对多次使用的RDD进行持久化或Checkpoint
第64讲-Spark性能优化：使用序列化的持久化级别
第65讲-Spark性能优化：Java虚拟机垃圾回收调优
第66讲-Spark性能优化：提高并行度
第67讲-Spark性能优化：广播共享数据
第68讲-Spark性能优化：数据本地化
第69讲-Spark性能优化：reduceByKey和groupByKey
第70讲-Spark性能优化：shuffle性能优化
六、Spark SQL：
第71讲-课程环境搭建：Spark 1.5.1新版本特性、源码编译、集群搭建
第72讲-Spark SQL：前世今生
第73讲-Spark SQL：DataFrame的使用
第74讲-Spark SQL：使用反射方式将RDD转换为DataFrame
第75讲-Spark SQL：使用编程方式将RDD转换为DataFrame
第76讲-Spark SQL：数据源之通用的load和save操作
第77讲-Spark SQL：Parquet数据源之使用编程方式加载数据
第78讲-Spark SQL：Parquet数据源之自动分区推断
第79讲-Spark SQL：Parquet数据源之合并元数据
第80讲-Spark SQL：JSON数据源复杂综合案例实战
第81讲-Spark SQL：Hive数据源复杂综合案例实战
第82讲-Spark SQL：JDBC数据源复杂综合案例实战
第83讲-Spark SQL：内置函数以及每日uv和销售额统计案例实战
第84讲-Spark SQL：开窗函数以及top3销售额统计案例实战
第85讲-Spark SQL：UDF自定义函数实战
第86讲-Spark SQL：UDAF自定义聚合函数实战
第87讲-Spark SQL：工作原理剖析以及性能优化
第87讲-Spark SQL：与Spark Core整合之每日top3热点搜索词统计案例实战
第87讲-Spark SQL：核心源码深度剖析（DataFrame lazy特性、Optimizer优化策略等）
第87讲-Spark SQL：延伸知识之Hive On Spark
七、Spark Streaming：
第88讲-Spark Streaming：大数据实时计算介绍
第89讲-Spark Streaming：DStream以及基本工作原理
第90讲-Spark Streaming：与Storm的对比分析
第91讲-Spark Streaming：实时wordcount程序开发
第92讲-Spark Streaming：StreamingContext详解
第93讲-Spark Streaming：输入DStream和Receiver详解
第94讲-Spark Streaming：输入DStream之基础数据源以及基于HDFS的实时wordcount案例实战
第95讲-Spark Streaming：输入DStream之Kafka数据源实战（基于Receiver的方式）
第96讲-Spark Streaming：输入DStream之Kafka数据源实战（基于Direct的方式）
第97讲-Spark Streaming：DStream的transformation操作概览
第98讲-Spark Streaming：updateStateByKey以及基于缓存的实时wordcount案例实战
第99讲-Spark Streaming：transform以及广告计费日志实时黑名单过滤案例实战
第100讲-Spark Streaming：window滑动窗口以及热点搜索词滑动统计案例实战
第101讲-Spark Streaming：DStream的output操作以及foreachRDD性能优化详解
第102讲-Spark Streaming：与Spark SQL结合使用之top3热门商品实时统计案例实战
第103讲-Spark Streaming：缓存与持久化机制详解
第104讲-Spark Streaming：Checkpoint机制详解（Driver高可靠方案详解）
第105讲-Spark Streaming：部署、升级和监控实时应用程序
第106讲-Spark Streaming：容错机制以及事务语义详解
第107讲-Spark Streaming：架构原理深度剖析
第108讲-Spark Streaming：StreamingContext初始化与Receiver启动原理剖析与源码分析
第109讲-Spark Streaming：数据接收原理剖析与源码分析
第110讲-Spark Streaming：数据处理原理剖析与源码分析（block与batch关系透彻解析）
第111讲-Spark Streaming：性能调优详解
第112讲-课程总结（学到了什么？达到了什么水平？）
Spark开发进阶(升级内容！)
一、Scala编程进阶：
第113讲-Scala编程进阶：Scaladoc的使用
第114讲-Scala编程进阶：跳出循环语句的3种方法
第115讲-Scala编程进阶：多维数组、Java数组与Scala数组的隐式转换
第116讲-Scala编程进阶：Tuple拉链操作、Java Map与Scala Map的隐式转换
第117讲-Scala编程进阶：扩大内部类作用域的2种方法、内部类获取外部类引用
第118讲-Scala编程进阶：package与import实战详解
第119讲-Scala编程进阶：重写field的提前定义、Scala继承层级、对象相等性
第120讲-Scala编程进阶：文件操作实战详解
第121讲-Scala编程进阶：偏函数实战详解
第122讲-Scala编程进阶：执行外部命令
第123讲-Scala编程进阶：正则表达式支持
第124讲-Scala编程进阶：提取器实战详解
第125讲-Scala编程进阶：样例类的提取器实战详解
第126讲-Scala编程进阶：只有一个参数的提取器
第127讲-Scala编程进阶：注解实战详解
第128讲-Scala编程进阶：常用注解介绍
第129讲-Scala编程进阶：XML基础操作实战详解
第130讲-Scala编程进阶：XML中嵌入scala代码
第131讲-Scala编程进阶：XML修改元素实战详解
第132讲-Scala编程进阶：XML加载和写入外部文档
第133讲-Scala编程进阶：集合元素操作
第134讲-Scala编程进阶：集合的常用操作方法
第135讲-Scala编程进阶：map、flatMap、collect、foreach实战详解
第136讲-Scala编程进阶：reduce和fold实战详解
二、Spark核心编程进阶：
第137讲-环境搭建-CentOS 6.4虚拟机安装
第138讲-环境搭建-Hadoop 2.5伪分布式集群搭建
第139讲-环境搭建-Spark 1.5伪分布式集群搭建
第140讲-第一次课程升级大纲介绍以及要点说明
第141讲-Spark核心编程进阶-Spark集群架构概览
第142讲-Spark核心编程进阶-Spark集群架构的几点特别说明
第143讲-Spark核心编程进阶-Spark的核心术语讲解
第144讲-Spark核心编程进阶-Spark Standalone集群架构
第145讲-Spark核心编程进阶-单独启动master和worker脚本详解
第146讲-Spark核心编程进阶-实验：单独启动master和worker进程以及启动日志查看
第147讲-Spark核心编程进阶-worker节点配置以及spark-evn.sh参数详解
第148讲-Spark核心编程进阶-实验：local模式提交spark作业
第149讲-Spark核心编程进阶-实验：standalone client模式提交spark作业
第150讲-Spark核心编程进阶-实验：standalone cluster模式提交spark作业
第151讲-Spark核心编程进阶-standalone模式下的多作业资源调度
第152讲-Spark核心编程进阶-standalone模式下的作业监控与日志记录
第153讲-Spark核心编程进阶-实验：运行中作业监控以及手工打印日志
第154讲-Spark核心编程进阶-yarn-client模式原理讲解
第155讲-Spark核心编程进阶-yarn-cluster模式原理讲解
第156讲-Spark核心编程进阶-实验：yarn-client模式提交spark作业
第157讲-Spark核心编程进阶-yarn模式下日志查看详解
第158讲-Spark核心编程进阶-yarn模式相关参数详解
第159讲-Spark核心编程进阶-spark工程打包以及spark-submit详解
第160讲-Spark核心编程进阶-spark-submit示例以及基础参数讲解
第161讲-Spark核心编程进阶-实验：spark-submit简单版本提交spark作业
第162讲-Spark核心编程进阶-实验：spark-submit给main类传递参数
第163讲-Spark核心编程进阶-spark-submit多个示例以及常用参数详解
第164讲-Spark核心编程进阶-SparkConf、spark-submit以及spark-defaults.conf
第165讲-Spark核心编程进阶-spark-submit配置第三方依赖
第166讲-Spark核心编程进阶-spark算子的闭包原理详解
第167讲-Spark核心编程进阶-实验：对闭包变量进行累加操作的无效现象
第168讲-Spark核心编程进阶-实验：在算子内打印数据的无法看到现象
第169讲-Spark核心编程进阶-mapPartitions以及学生成绩查询案例
第170讲-Spark核心编程进阶-mapPartitionsWithIndex以开学分班案例
第171讲-Spark核心编程进阶-sample以及公司年会抽奖案例
第172讲-Spark核心编程进阶-union以及公司部门合并案例
第173讲-Spark核心编程进阶-intersection以及公司跨多项目人员查询案例
第174讲-Spark核心编程进阶-distinct以及网站uv统计案例
第175讲-Spark核心编程进阶-aggregateByKey以及单词计数案例
第176讲-Spark核心编程进阶-cartesian以及服装搭配案例
第177讲-Spark核心编程进阶-coalesce以及公司部门整合案例
第178讲-Spark核心编程进阶-repartition以及公司新增部门案例
第179讲-Spark核心编程进阶-takeSampled以及公司年会抽奖案例
第180讲-Spark核心编程进阶-shuffle操作原理详解
第181讲-Spark核心编程进阶-shuffle操作过程中进行数据排序
第182讲-Spark核心编程进阶-会触发shuffle操作的算子
第183讲-Spark核心编程进阶-shuffle操作对性能消耗的原理详解
第184讲-Spark核心编程进阶-shuffle操作所有相关参数详解以及性能调优
第185讲-Spark核心编程进阶-综合案例1：移动端app访问流量日志分析
第186讲-Spark核心编程进阶-综合案例1：日志文件格式分析
第187讲-Spark核心编程进阶-综合案例1：读取日志文件并创建RDD
第188讲-Spark核心编程进阶-综合案例1：创建自定义的可序列化类
第189讲-Spark核心编程进阶-综合案例1：将RDD映射为key-value格式
第190讲-Spark核心编程进阶-综合案例1：基于deviceID进行聚合操作
第191讲-Spark核心编程进阶-综合案例1：自定义二次排序key类
第192讲-Spark核心编程进阶-综合案例1：将二次排序key映射为RDD的key
第193讲-Spark核心编程进阶-综合案例1：执行二次排序以及获取top10数据
第194讲-Spark核心编程进阶-综合案例1：程序运行测试以及代码调试
第195讲-Spark核心编程进阶-部署第二台CentOS机器
第196讲-Spark核心编程进阶-部署第二个Hadoop节点
第197讲-Spark核心编程进阶-将第二个Hadoop节点动态加入集群
第198讲-Spark核心编程进阶-使用yarn-client和yarn-cluster提交spark作业
三、Spark内核原理进阶：
第199讲-Spark内核原理进阶-union算子内部实现原理剖析
第200讲-Spark内核原理进阶-groupByKey算子内部实现原理剖析
第201讲-Spark内核原理进阶-reduceByKey算子内部实现原理剖析
第202讲-Spark内核原理进阶-distinct算子内部实现原理剖析
第203讲-Spark内核原理进阶-cogroup算子内部实现原理剖析
第204讲-Spark内核原理进阶-intersection算子内部实现原理剖析
第205讲-Spark内核原理进阶-join算子内部实现原理剖析
第206讲-Spark内核原理进阶-sortByKey算子内部实现原理剖析
第207讲-Spark内核原理进阶-cartesian算子内部实现原理剖析
第208讲-Spark内核原理进阶-coalesce算子内部实现原理剖析
第209讲-Spark内核原理进阶-repartition算子内部实现原理剖析
四、Spark SQL实战开发进阶：
第210讲-Spark SQL实战开发进阶-Hive 0.13安装与测试
第211讲-Spark SQL实战开发进阶-Thrift JDBC、ODBC Server
第212讲-Spark SQL实战开发进阶-CLI命令行使用
第213讲-Spark SQL实战开发进阶-综合案例2：新闻网站关键指标离线统计
第214讲-Spark SQL实战开发进阶-综合案例2：页面pv统计以及排序和企业级项目开发流程说明
第215讲-Spark SQL实战开发进阶-综合案例2：页面uv统计以及排序和count(distinct) bug说明
第216讲-Spark SQL实战开发进阶-综合案例2：新用户注册比例统计
第217讲-Spark SQL实战开发进阶-综合案例2：用户跳出率统计
第218讲-Spark SQL实战开发进阶-综合案例2：版块热度排行榜统计
第219讲-Spark SQL实战开发进阶-综合案例2：测试与调试
五、Spark Streaming实战开发进阶：
第220讲-Spark Streaming实战开发进阶-flume安装
第221讲-Spark Streaming实战开发进阶-接收flume实时数据流-flume风格的基于push的方式
第222讲-Spark Streaming实战开发进阶-接收flume实时数据流-自定义sink的基于poll的方式
第223讲-Spark Streaming实战开发进阶-高阶技术之自定义Receiver
第224讲-Spark Streaming实战开发进阶-kafka安装
第225讲-Spark Streaming实战开发进阶-综合案例3：新闻网站关键指标实时统计
第226讲-Spark Streaming实战开发进阶-综合案例3：页面pv实时统计
第227讲-Spark Streaming实战开发进阶-综合案例3：页面uv实时统计
第228讲-Spark Streaming实战开发进阶-综合案例3：注册用户数实时统计
第229讲-Spark Streaming实战开发进阶-综合案例3：用户跳出量实时统计
第230讲-Spark Streaming实战开发进阶-综合案例3：版块pv实时统计
六、Spark运维管理进阶：
第231讲-Spark运维管理进阶-基于ZooKeeper实现HA高可用性以及自动主备切换
第232讲-Spark运维管理进阶-实验：基于ZooKeeper实现HA高可用性以及自动主备切换
第233讲-Spark运维管理进阶-基于文件系统实现HA高可用性以及手动主备切换
第234讲-Spark运维管理进阶-实验：基于文件系统实现HA高可用性以及手动主备切换
第235讲-Spark运维管理进阶-作业监控-实验：通过Spark Web UI进行作业监控
第236讲-Spark运维管理进阶-作业监控-实验：standalone模式下查看历史作业的Web UI
第237讲-Spark运维管理进阶-作业监控-实验：启动HistoryServer查看历史作业的Web UI
第238讲-Spark运维管理进阶-作业监控-实验：使用curl+REST API进行作业监控
第239讲-Spark运维管理进阶-作业监控-实验：Spark Metrics系统以及自定义Metrics Sink
第240讲-Spark运维管理进阶-作业资源调度-静态资源分配原理
第241讲-Spark运维管理进阶-作业资源调度-动态资源分配原理
第242讲-Spark运维管理进阶-作业资源调度-实验：standalone模式下使用动态资源分配
第243讲-Spark运维管理进阶-作业资源调度-实验：yarn模式下使用动态资源分配
第244讲-Spark运维管理进阶-作业资源调度-多个job资源调度原理
第245讲-Spark运维管理进阶-作业资源调度-Fair Scheduler使用详解
Spark2.0(升级内容！)
七、Spark 2.0深入浅出
第246讲-Spark 2.0-新特性介绍
第247讲-Spark 2.0-新特性介绍-易用性：标准化SQL支持以及更合理的API
第248讲-Spark 2.0-新特性介绍-高性能：让Spark作为编译器来运行
第249讲-Spark 2.0-新特性介绍-智能化：Structured Streaming介绍
第250讲-Spark 2.0-新特性介绍-Spark 1.x的Volcano Iterator Model技术缺陷分析
第251讲-Spark 2.0-新特性介绍-whole-stage code generation技术和vectorization技术
第252讲-Spark 2.0-Spark 2.x与1.x对比以及分析、学习建议以及使用建议
第253讲-Spark 2.0-课程环境搭建：虚拟机、CentOS、Hadoop、Spark等
第254讲-Spark 2.0-开发环境搭建：Eclipse+Maven+Scala+Spark
第255讲-Spark 2.0-SparkSession、Dataframe、Dataset开发入门
第256讲-Spark 2.0-Dataset开发详解-初步体验untypd操作案例：计算部门平均年龄与薪资
第257讲-Spark 2.0-Dataset开发详解-action操作：collect、、foreach、reduce等
第258讲-Spark 2.0-Dataset开发详解-基础操作：持久化、临时视图、ds与df互转换、写数据等
第259讲-Spark 2.0-Dataset开发详解-typed操作：coalesce、repartition
第260讲-Spark 2.0-Dataset开发详解-typed操作：distinct、dropDuplicates
第261讲-Spark 2.0-Dataset开发详解-typed操作：except、filter、intersect
第262讲-Spark 2.0-Dataset开发详解-typed操作：map、flatMap、mapPartitions
第263讲-Spark 2.0-Dataset开发详解-typed操作：joinWith
第264讲-Spark 2.0-Dataset开发详解-typed操作：sort
第265讲-Spark 2.0-Dataset开发详解-typed操作：randomSplit、sample
第266讲-Spark 2.0-Dataset开发详解-untyped操作：、where、groupBy、agg、col、join
第267讲-Spark 2.0-Dataset开发详解-聚合函数：avg、sum、max、min、、countDistinct
第268讲-Spark 2.0-Dataset开发详解-聚合函数：collect_list、collect_set
第269讲-Spark 2.0-Dataset开发详解-其他常用函数
第270讲-Spark 2.0-Structured Streaming：深入浅出的介绍
第271讲-Spark 2.0-Structured Streaming：wordcount入门案例
第272讲-Spark 2.0-Structured Streaming：编程模型
第273讲-Spark 2.0-Structured Streaming：创建流式的dataset和dataframe
第274讲-Spark 2.0-Structured Streaming：对流式的dataset和dataframe执行计算操作
第275讲-Spark 2.0-Structured Streaming：output mode、sink以及foreach sink详解
第276讲-Spark 2.0-Structured Streaming：管理streaming query
第277讲-Spark 2.0-Structured Streaming：基于checkpoint的容错机制
第278讲-Spark面试、简历中的项目编写以及实际生产环境的集群和资源配置等
