我会提供给你大概1亿条真实的互联网用户上网数据，至于来源，我先不告诉你，绝对是你在网络上无法找到的宝贵数据源。

此外，还会给你提供一个基于当前数据特点而设计的大数据处理方案。

当然，为了防止用户的隐私部分被泄露，我对一些关键字段进行了脱敏，如果说你有什么坏心思的话，暂时就别想了。但是即便如此，这份数据，我相信对你学习大数据的用处都是非常大的。

|数据源解读|数据API接口

这份数据长这样，有非常规整的9个字段(我都替你清洗过了)，为了方便你们读取，我把它导出成CSV文件，其中第一行是schema。

为了方便大家获取，我把它放到了云盘上，原文件有12G，我通过压缩之后，也有3G，为了保证大家是真的用这份数据在学习，而不是干别的，这个下载地址需要你加我微信后告诉你。

现在来帮你解读下这份数据，一共个9个字段，其字段意义解释分别如下：

client_ip: 指上网用户的ip地址，你可以根据这个ip知道这个用户大概的位置信息，这个有专门的api可以查询；

domain：指上网人要上的网站地址，你可以根据该网站的性质来判断这个人的上网行为；

time：上网人的上网时间；

target_ip: 上网人要上的网站的目标ip地址；

rcode：网站返回状态码，0为正常响应，2为不正常；

query_type: 查询类型，几乎都是1，即正常上网行为；

authority_recode：网站服务器真正返回的域名，可能跟domain不一样，如果不一样的话，可能说明是个钓鱼网站之类的，你可以去分析分析；

add_msg: 附加信息，几乎都为空，你可以看看如果有内容的话，到底是什么玩意；

dns_ip：当前要上的这个网站由哪个DNS服务器给提供的解析，一般一个DNS服务器会服务一个区域，如果由同一个DNS服务器进行解析的，说明他们在同一片大的区域；

以上是对这份数据的字段解读，相信从这些解释中，你已经大概能了解这份数据的作用了。

|如何建大数据项目

既然数据源了解清楚了，也就知道了大概的业务场景。

那么接下来就是如何架构一个大数据项目，为了保证项目的完整性、紧凑性、和易上手性，我特意设计了一个时下最流行的lamda数据处理架构，供你参考：

可以看到，该架构包含了完整的、任何大数据系统都具备的：数据接入、数据落地、数据计算、结果存储，以及最后的结果展现功能。

通过对这个有着完整功能的大数据系统进行实践和学习，如果你能把这套架构真正玩好的话，你会发现，市面上任何复杂的大数据架构在你眼里也不过尔尔，你会有种【万变不离其宗】的掌控感。

当然，这里我只是给你提供参考，具体实践还得看你具体情况，如果你已经有集群环境了，我希望你能尽可能去贴近我的这个架构，因为万一你在实践中出了什么问题，都可以来找我交流探讨。

|你要做哪些准备

数据给你了，架构也给你确定了，接下来你需要做的是：根据以上要求，搭建一套集群环境，这个集群你可以是自己的虚拟机，有条件也可以租个云服务器，然后构建4个节点的集群环境，具体配置建议如下：

节点角色	硬件配置	节点数量
主节点/客户端节点	4G以上内存、50G以上硬盘，4核以上CPU	1
计算/存储节点	8G以上内存、100G以上硬盘，8核以上CPU	3

当然，以上是建议配置，有人说我电脑配置不够怎么办？没事，你可以适当降低要求，配置可以再降低一点，节点数量最好不要低于3个，你需要知道一点的是，配置越低，你玩数据的自由度就越低，但是还是可以玩。

以上配置准备OK，那么接下来你就需要安装集群了，相信这个对于一个学习大数据的人来说，是最基础的一步了，因为只有你会安装了，才能建立起对各个大数据组件大概是个什么东东有个初步的了解。

根据我给的架构要求，你要安装以下这些组件：

1，Hadoop：HDFS+YARN，这个是集群的底座，hive、spark都依赖它；

2，Filebeat：数据源接入工具，这个用来监控数据源变化的，然后将新增的数据写入到kafka，我是觉得它好用，所以向你推荐，当然，如果你用别的工具也可以，那就用你喜欢的代替；

3，kafka：这个不多介绍，当前最流行的流式架构的当红炸子鸡，用来承载流式数据的落地；

4，spark：当今最流行的流批一体分布式计算引擎之一，用他来做数据分析处理；

5，hive：当今大数据的主流数仓组件，用来做离线数据存储和分析；

6，Elasticsearch：当下最流行的分布式搜索引擎，用来做全文检索非常的高效、方便，用来存储分析后的数据；

7，kibana：专门对Elasticsearch数据进行可视化展现的，用它，你可以直观的看到你最后分析的结果数据是个什么样子；

看着是不是很多？首先不要急，一个个安装，其实很快，网上有很多安装部署的教程，这里我就不赘述，你有问题了再找我交流。

其次呢，这些技术组件都是当下主流的，组合在一起，让你在一个实际项目中练手，对你非常有帮助，你试试就知道了。

至于安装的版本，我建议你们不要安装最新的，给你们参考我目前测试集群的版本：HDP3.1(hadoop3.1，kafka、hive都给你关联好) + Elasticsearch7.6。

如果你想部署跟我一样的版本，可以私信找我要安装包，我这全套都有。当然，跟我部署一样，还有个好处就是，你遇到任何技术问题，我应该都可以帮你搞定，因为我，可能都遇到过。

|最后

想告诉你的是，想要学好大数据，动手实践一定是最重要的，我相信你如果能够按照我的这个要求一步步，脚踏实地去做，你的大数据技能一定能得到一个质的飞跃。

不信，你来打我。

PS：可能有人会问，这些数据，基于什么业务要求去做开发呢？

来，给你点思路：

1，用wordcount的方式去统计每个client_ip的数量，看哪些ip上网的次数最多？批处理的方式，跟流式实时的方式都试一下，看结果是否一致？

2，看上网最多的,那几个ip，都上的什么网站，集中上网的时间点都是几点？

3，被上的最多的网站中对应的ip，跟上网最多的ip之间有多少是重合的？

4，哪些ip喜欢上一些类似钓鱼网站的网站；

5，....

怎么样？是不是思路一下子就打开了？