1.hbase Դ?? maven
2.在Spark 2.x中使用Phoenix 4.1x
3.大数据运营的核心课程都有哪些？
4.工具Datax的基本概念（初识ETL工具）
5.hadoop的hbase输入符号由>变成、怎么办

hbase Դ?? maven

       在apache上下载的hbase，默认的编译版本是根据hadoop-1.0.3的。需要用其他版本的hadoop的，要对hbase进行重新编译。编译并不难，ubuntu源码安装openssl但是第一次，还是出了很多很多状况。PS：HBase版本：hbase-0..1hadoop版本2.0.，下载maven。（hbase是用maven编译的，hadoop用ant）2，hbase的pom.xml里面hadoop2.0用的是2.0.0-alpha，编辑pom.xml，把2.0.0-alpha改成：2.0.0-alpha。3，到hbase-0..1的安装目录下，执行如下语句：Shell代码${ MAVEN_HOME}/bin/mvn-e-Dmaven.test.skip.exec=true-Dhadoop.profile=2.0package然后就是等待了，大概讲下各个参数的ecmos 源码含义：-e编译时打印出详细错误信息-Dmaven.test.skip.exec=true编译时跳过测试步骤-Dhadoop.profile=2.0编译时使用hadoop.profile2.0，也就是针对2.0的hadoop编译。4，然后就是到target路径下找hbase-0..1.tar.gz的包，用这个包部署。

在Spark 2.x中使用Phoenix 4.1x

       在使用最新版本的Spark2.3与Phoenix1.-HBase1.3实现对HBase的查询时，Phoenix提供了强大的工具，简化了对HBase的操作。然而，在实际使用过程中，遇到了一些挑战与问题。本文旨在记录这些经历，以供回顾及提醒有同样问题的朋友。

       面对需求：在流计算中根据不同的数据write到HBase的不同表中或是对同一表做Insert全部字段或Update部分字段，此过程无法通过phoenix-spark实现，只能依赖通用的JDBC操作。面对这个问题，我们选择了迁移到Phoenix提供的Query Server来简化操作流程。然而，soot源码这一转变带来了意想不到的挑战。

       在尝试使用phoenix-queryserver-client-4..1-HBase-1.3.jar时，遇到了本地正常但Standalone和Yarn环境中的异常问题。经过调查，发现是Spark自带的calcite-avatica-1.2.0-incubating.jar与Phoenix的1..0版本之间存在冲突，前者不支持PROTOBUF。为解决这一冲突，我们尝试通过设置spark.driver.userClassPathFirst和spark.executor.userClassPathFirst参数，或使用spark.executor.extraClassPath，但这一解决方案并没有完全解决问题，反而引出了其他未知问题。最终，在官方的Issue列表中找到了解决方法：java.lang.RuntimeException: response code - Executing a spark job to connect to phoenix query server and load data。官方在计划中的4.及5.0版本中解决了这一问题，但在实际使用中，需要确保使用的是正确的版本，并考虑到官方的实验性参数。

       为了找到一个更轻量级且无冲突的surging源码解决方案，我们选择了使用phoenix-queryserver-client-X.jar，即Thin Client版本。它通过Maven maven-shade-plugin插件实现了对可能冲突包的路径改写，最终成功解决了冲突问题。在使用Thin Client版本后，批处理代码需要进行相应的调整，以符合标准的JDBC连接方式。

       在使用过程中，我们还遇到了数据丢失的问题。当使用IMMUTABLE_ROWS=true时，对带索引的字段进行更新后，除最后一次更新的字段外，其他字段会置为null值。为解决这一问题，我们选择使用可变索引。

       在配置Query Server时，注意到URL不支持多实例连接，需要通过Nginx等代理进行负载均衡。招牌源码此外，Thin Client在使用PrepareStatement时遇到问题，即错误：Parameter value unbound Parameter at index X is unbound。解决办法是暂时改为使用Statement，以避免在Join表的字段中出现问号标记。使用异步索引时，即使idx_user_id中有值，索引也未被命中。为解决这一问题，我们改用同步索引。官方对此问题有详细的说明。

大数据运营的核心课程都有哪些？

       第一阶段：Java设计与编程思想

       学习内容：Java设计与编程思想

       学习目标：Java基础、Java面向对象、Java高级、数据库与JDBC

       学习效果：熟练掌握Java语法并灵活运用，能够开发后台应用

       第二阶段 Web前端开发

       学习内容：Web前端开发

       学习目标：HTML基础、CSS3基础、JS脚本编程

       学习效果：能够基于HTML+CSS+JQuery进行前端开发

       第三阶段 JavaEE进阶

       学习内容：JavaEE进阶

       学习目标：JavaWeb后端开发、SSM框架

       学习效果：掌握主流JavaWeb框架并灵活运用

       第四阶段 大数据基础

       学习内容：大数据基础

       学习目标：Linux基础、Maven基础

       学习效果：熟练掌握Linux及Maven等相关知识并灵活运用

       第五阶段 HDFS分布式文件系统

       学习内容：HDFS分布式文件系统

       学习目标：HDFS原理剖析、HDFS编程

       学习效果：深入理解HDFS的原理并灵活运用

       第六阶段MapReduce分布式计算模型

       学习内容：MapReduce分布式计算模型

       学习目标：MapReduce原理剖析、MapReduce实践

       学习效果：熟练掌握MapReduce原理并灵活运用

       第七阶段 Yarn分布式资源管理器

       学习内容：Yarn分布式资源管理器

       学习目标：Yarn原理剖析、Yarn实践

       学习效果：深入理解Yarn的原理并调优

       第八阶段 Zookeeper分布式协调服务

       学习内容：Zookeeper分布式协调服务

       学习目标：Zookeeper原理剖析、Zookeeper实践

       学习效果：深入理解Zookeeper的原理并灵活运用

       第九阶段 Hbase分布式数据库

       学习内容：Hbase分布式数据库

       学习目标：Hbase原理剖析、Hbase编程实践

       学习效果：深入理解Hbase的原理并灵活运用及调优

       第十阶段 Hive分布式数据仓库

       学习内容：Hive分布式数据仓库

       学习目标：Hive原理剖析、Hive编程实践

       学习效果：深入理解Hive的原理并灵活运用

       第十一阶段 FlumeNG分布式数据采集系统

       学习内容：FlumeNG分布式数据采集系统

       学习目标：FlumeNG原理剖析、FlumeNG编程实践

       学习效果：熟练掌握FlumeNG的各种应用场景

       第十二阶段 Sqoop大数据迁移系统

       学习内容：Sqoop大数据迁移系统

       学习目标：Sqoop原理剖析、Sqoop编程实践

       学习效果：熟练掌握Sqoop并灵活运用

       第十三阶段 Scala大数据黄金语言

       学习内容：Scala大数据黄金语言

       学习目标：Scala语法剖析、Scala应用实践

       学习效果：熟练掌握Scala各种语法并灵活运用

       第十四阶段 kafka分布式总线系统

       学习内容：kafka分布式总线系统

       学习目标：kafka原理剖析、kafka编程实践

       学习效果：深入理解kafka原理并灵活运用及调优

       第十五阶段 SparkCore大数据计算基石

       学习内容：SparkCore大数据计算基石

       学习目标：SparkCore核心原理、SparkCore实践

       学习效果：深入理解SparkCore原理并灵活运用及调优

       第十六阶段 SparkSQL数据挖掘利器

       学习内容：SparkSQL数据挖掘利器

       学习目标：SparkSQL核心原理、SparkSQL实践

       学习效果：熟练掌握SparkSQL的各种应用场景并灵活运用

       第十七阶段 SparkStreaming流失计算平台

       学习内容：SparkStreaming流失计算平台

       学习目标：SparkStreaming核心原理、SparkStreaming实践

       学习效果：深入理解SparkStreaming原理及各种应用场景和调优

       第十八阶段 SparkMllib机器学习平台

       学习内容：SparkMllib机器学习平台

       学习目标：SparkMllib算法模型及核心原理、SparkMllib实践

       学习效果：熟练掌握SparkMllib的常用算法并灵活运用

       第十九阶段 SparkGraphx图计算平台

       学习内容：SparkGraphx图计算平台

       学习目标：SparkGraphx核心原理、SparkGraphx实践

       学习效果：深入理解SparkGraphx的原理并灵活运用

       第二十阶段 大数据项目实战

       学习内容：大数据项目实战

       学习目标：4个大数据项目的实战

       学习效果：能够基于所学知识在真实的项目中操练

工具Datax的基本概念（初识ETL工具）

       ETL技术的实质是将数据经过抽取、清洗转换之后加载到数据仓库的过程。DataX是由阿里巴巴研发并开源的异构数据源离线同步工具，能实现不同数据源之间的数据同步，包括关系型数据库、NoSQL数据存储、无结构化数据存储、时间序列数据库以及阿里的云数仓数据存储。DataX是阿里云DataWorks数据集成的开源版本，用于在阿里巴巴集团内广泛使用的离线数据同步工具/平台，支持包括MySQL、Oracle、OceanBase、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、Hologres、DRDS等各种异构数据源之间的高效数据同步。

       DataX采用Framework + plugin的架构，数据同步步骤将数据的读取、写入操作抽象为由Reader/Writer插件处理，纳入整个同步框架。其核心组件包括Job、Task、Channel以及Transformer。

       Job代表数据同步任务；Task代表运行一个单独的同步线程，该线程使用一个Channel作为Reader与Writer的数据传输媒介；数据流转方向为Reader—>Channel—>Writer。

       Transformer模式提供强大的数据转换功能，DataX内置丰富数据转换实现类，用户可根据自身需求扩展数据转换。

       DataX的安装部署可选择直接下载工具包或下载源码自主编译。下载后解压至本地目录即可运行同步作业。自检脚本为：python { YOUR_DATAX_HOME}/bin/datax.py { YOUR_DATAX_HOME}/job/job.json。

       若数据源同步遇到格式不匹配问题，可以修改相应的reader与writer代码，然后maven编译，后续会提供具体源码修改示例。

       DataX的源码可在gitee上找到，以解决github地址在国内可能存在的连接问题。参考网址提供了更多关于ETL工具-Datax的资源。

hadoop的hbase输入符号由>变成、怎么办

       直接在 ' 后面键入>'

       然后回车，问题解决。

       注：

       对于HBase，我也是刚开始学习，不知道出现这种问题的原因是什么，但是以上做法确实可以解决此问题，所以写下来同大家分享。另外吐槽一下胡乱回答的人，不会就别瞎回答、费力不讨好，图什么呢？

       我在网上回答的问题屈指可数，但是每一次都是亲测有效之后才回答，因为我真心希望，那些对此问题疑惑的小伙伴，可以止步于我的回答，从而节省下更多时间去做更有意义的事情。很喜欢鲁迅先生的一句话：“生命是以时间为单位的，浪费别人的时间等于谋财害命；浪费自己的时间，等于慢性自杀。”