Hadoop для инженеров данных

Аудитория: 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/ELT в кластерах Hadoop, и организации pipelines в Hadoop, Batch, stream и real—time процессинга больших данных с использованием компонентов экосистемы Hadoop.

Предварительный уровень подготовки:

• Начальный опыт работы в Unix
• Начальный опыт работы с SQL

Продолжительность: 5 дней, 40 академических часа.

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 последующего анализа больших данных. Практические занятия выполняются в  AWS и локальной кластерной системе с использованием дистрибутивов  Cloudera Hadoop и HortonWorks Data Platform.

Соотношение теории к практике 40/60

Программа курса

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 экспортApache Hive
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 данными
   • Визуализация потоковых данных

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