Hadoop для инженеров данных Hadoop Data Developers

Содержание курса:

Данный курс направлен на формирование практических и теоретических навыков планирования, формирования и сопровождения Data Lake (озеро данных). Рассматриваются примеры интеграции, настройки и обслуживания "pipelines" - традиционных источников поступления данных (корпоративные базы данных, web логи, файловые системы, интернет данные, транзакции) для хранения и последующего анализа больших данных. Практические занятия выполняются в AWS и локальной кластерной системе с использованием дистрибутива Cloudera Hadoop.
Cписок практических занятий:

• Автоматическая установка 3х-узлового кластера в облаке Amazon Web Services с использованием Cloudera Manager и поддержка базовых операций с кластером Hadoop и HDFS.

• Управление ресурсами и запуском задач с использованием YARN MapReduce.

• Использование Apache Pig для подготовки данных, операции JOIN

• Использование Apache Hive для анализа данных

• Оптимизация запросов JOIN в Apache Hive

• Настройка partition и bucket в Apache Hive

• Инкрементальный импорт/экспорт данных с помощью Apache sqoop

• SQL аналитика данных с помощью Cloudera Impala

• Batch процессинг данных с использованием Apache Spark

• Потоковая обработка данных с использованием Apache Spark

• Импорт данных с помощью Apache Flume

• Построение Event Processing System с использованием Apache Flume и Kafka

• Создание и управление запросами sqoop, MapReduce, Hive, Impala с использованием веб-интерфейса HUE

Слушатели:

Специалисты по работе с большими данными ответственные за настройку и сопровождение ввода данных в Data Lake, а также желающие получить теоретические знания и практические навыки по подготовке больших данных, специфики использования процессов ETL в кластерах Hadoop, и организации Batch, stream и real-time процессинга больших данных с использованием компонентов экосистемы Hadoop.

Предварительная подготовка:

• Начальный опыт работы в Unix/SQL, текстовый редактор vi

• Начальный опыт работы в Hadoop (желателен)

 1. Основные концепции Hadoop

• Основы Hadoop. Жизненый цикл аналитики больших данных. Хранение, накопление, подготовка и процессинг больших данных. Тенденции развития Hadoop. Архитектура HDFS. Операции чтения и записи, назначения HDFS. Блоки HDFS. Основные команды работы с HDFS. Ведение в MapReduce. Компоненты MapReduce. Работа программы MapReduce. Архитектура YARN. Способы обработки распределенных данных с использованием Apache Spark, YARN и MapReduce v2/v3.
• Управление ресурсами и очередями задач. FIFO/Capacity/Fair scheduler.

2. Инструменты управления кластером

• Выполнение базовых операций с Cloudera Manager. Настройка компонент Apache ZooKeeper, Oozie. Создание и управление запросами и данными с использованием сервиса Hue.

3. Хранение данных в HadoopDFS

• Хранение файлов в HDFS: сжатие, sequence файлы. Формат AVRO, RCfile, ORC, Parquet.
• Введение в Apache Pig: формат хранения данных, сложные и вложенные типы данных, синтаксис Pig Latin, оптимизация операций Join.

4. Apache Spark

• Архитектура Apache Spark. Введение в Spark: RDD & Datasets, доступ к внешним данным из Spark, интеграция с Hadoop, запуск приложений, Spark streaming, Spark SQL, Datasets, Dataframes.

5. Импорт/экспорт данных в кластер Hadoop.

• Импорт и обработка данных в кластере Hadoop. Интеграция с реляционными базами данных. Структура хранения данных в таблицах. Технологии NoSQL. Сравнительная характеристика решений Hadoop SQL.
• Введение в Sqoop: импорт и экспорт данных Sqoop, формат файлов, инкриментальный импорт, Hive экспорт.

6. Apache Hive

• Введение в Hive: структура Hive таблиц, синтаксис HiveQL, формат хранения файлов, работа с внешними и внутренними таблицами Hive, оптимизация Join операций. Операции импорта и экспорта данных и взаимодействия с внешними источниками. Настройка производительности.

7. Cloudera Impala

• Введение в Cloudera Impala: архитектура и компоненты, Impala синтаксис, типы данных, написание запросов, загрузка данных, взаимодействие Spark, Hive. Оптимизация Impala запросов.

8. Потоковые данные

• Event Processing System. Импорт потоковых данных в кластер. Использование Kafka для работы с потоковыми данными.
• Использование Flume для работы с потоковыми