大数据技术全解

第1 篇 基础篇

第1 章 大数据的三把利剑

1.1 豌豆杂交实验

1.2 曹冲称象启示

1.3 谷歌的三把利剑

1.4 智慧改变世界

第2 章 企业的大数据观

2.1 企业面临的挑战

2.1.1 数据能力是核心竞争力

2.1.2 从粗放经营到智慧经营

2.1.3 技术与商业的双重挑战

2.2 企业大数据从哪来

2.2.1 来自于主体的产生

2.2.2 来自于客体的产生

2.2.3 来自于社会的产生

2.3 企业大数据如何存储

2.3.1 非结构化数据存储

2.3.2 结构化数据存储

2.3.3 半结构化数据存储

2.3.4 大数据存储的问题

2.4 企业大数据如何加工

2.4.1 分析或挖掘模型设计

2.4.2 并行处理程序编码

2.4.3 结果在全局中呈现

2.5 企业的大数据到哪里去

2.5.1 大数据对企业影响深远

2.5.2 大数据是一种新商品

2.5.3 精准营销需要大数据

2.6 企业大数据观总结

第3 章 大数据和大数据系统

3.1 大数据

3.1.1 大数据概念

3.1.2 大数据的特征

3.1.3 数据计量单位

3.1.4 大数据来源

3.1.5 大数据类型

3.2 大数据系统

3.2.1 设计目标和原则

3.2.2 系统的设计思想

3.2.3 系统的逻辑架构

3.2.4 与现有系统的关系

3.2.5 当前的大数据系统

第2 篇 技术篇

第4 章 分布、键值对与族

4.1 分布与MapReduce

4.2 键值对的奥妙所在

4.3 动态数据库表原理

第5 章 HDFS（分布式文件系统）

5.1 设计目标

5.2 基本概念

5.2.1 块

5.2.2 名称节点与数据节点

5.3 系统架构

5.3.1 逻辑架构

5.3.2 物理架构

5.4 运行机制

5.4.1 文件读取

5.4.2 文件写入

5.4.3 特别关注

5.5 系统功能

5.5.1 多文件系统

5.5.2 目录管理

5.5.3 文件管理

5.5.4 文件归档

5.5.5 并行复制

5.6 系统I／O 特性

5.6.1 完整性校验

5.6.2 压缩与编码解码

5.6.3 序列化

5.6.4 特殊文件结构

5.7 非Java 访问接口

5.8 系统性能

5.8.1 可靠性措施

5.8.2 性能优化

第6 章 MapReduce 分布式编程模式

6.1 不同于传统

6.2 设计思想

6.3 基本概念

6.3.1 map（）函数

6.3.2 reduce（）函数

6.3.3 键值对

6.3.4 中间结果

6.3.5 移动代码

6.3.6 作业和任务节点

6.4 系统架构

6.4.1 逻辑架构

6.4.2 物理架构

6.5 运行机制

6.5.1 作业运行

6.5.2 作业调度

6.5.3 任务执行

6.5.4 状态更新

6.5.5 作业完成

6.5.6 故障处理

6.6 关键技术

6.6.1 计数器

6.6.2 排序

6.6.3 连接

6.6.4 shuffle

6.6.5 内存处理

6.6.6 分布式缓存

6.7 类型与格式

6.7.1 MR 的类型

6.7.2 输入格式

6.7.3 输出格式

6.8 MR 的开发

6.8.1 开发端环境的建立

6.8.2 开发及单元测试

6.8.3 本地运行测试

6.8.4 集群运行

6.8.5 作业调试

6.8.6 远程调试

6.8.7 作业调优

6.9 MR 工作流

第7 章 HBase 分布式数据库

7.1 设计目标

7.2 基本概念

7.2.1 逻辑模型

7.2.2 物理模型

7.2.3 区域

7.2.4 基本单元

7.2.5 Region 服务器

7.2.6 Master 主服务器

7.2.7 .META.元数据表

7.2.8 —ROOT—元数据表

7.3 系统架构

7.3.1 逻辑架构

7.3.2 物理架构

7.4 运行机制

7.5 系统功能

7.5.1 用户界面

7.5.2 shell 操作

7.6 库表设计

7.7 访问接口

第3 篇 设计篇

第8 章 系统设计背景和目标

8.1 系统设计背景

8.2 系统设计目标

8.2.1 存在问题

8.2.2 设计目标

第9 章 系统架构设计

9.1 逻辑架构设计

9.1.1 系统逻辑架构

9.1.2 系统运行逻辑

9.2 功能架构设计

9.2.1 大数据管理系统的功能

9.2.2 ZooKeeper 系统的功能

9.2.3 Chukwa 采集系统的功能

9.2.4 Pig 系统功能

9.2.5 Hive 系统功能

9.3 数据架构设计

9.3.1 数据总体架构

9.3.2 分布式文件数据结构

9.3.3 分布式数据库数据结构

9.3.4 关系型数据库数据构成

第10 章 运行架构设计

10.1 物理架构设计

10.1.1 网络拓扑

10.1.2 软／硬件选型

10.2 集成架构设计

10.2.1 总体集成设计

10.2.2 专项集成设计

10.3 安全架构设计

10.3.1 用户层安全

10.3.2 应用层安全

10.3.3 数据层安全

10.4 开发架构设计

第4 篇 安装篇

第11 章 安装规划

11.1 安装目标

11.2 安装步骤

第12 章 环境准备

12.1 主机准备

12.2 介质准备

12.3 基础安装

12.3.1 JDK 安装

12.3.2 用户创建

12.3.3 SSH 配置

第13 章 集群安装

13.1 HDFS 集群

13.1.1 解析配置

13.1.2 模板创建

13.1.3 复制分发

13.1.4 运行启动

13.1.5 测试验证

13.2 HBase 集群

13.2.1 解析配置

13.2.2 模板创建

13.2.3 复制分发

13.2.4 运行启动

13.2.5 测试验证

13.3 ZooKeeper 集群

13.3.1 解析配置

13.3.2 模板创建

13.3.3 复制分发

13.3.4 运行启动

13.3.5 测试验证

第14 章 分布式应用安装

14.1 Pig 安装

14.1.1 本地安装

14.1.2 本地验证

14.1.3 集成配置

14.1.4 集成验证

14.2 Hive 安装

14.2.1 内嵌安装与验证

14.2.2 从内嵌改为独立

14.2.3 从独立改为远程

14.3 Chukwa 安装

14.3.1 基础系统安装

14.3.2 代理系统安装

14.3.3 收集系统的安装

14.3.4 作业系统的安装

14.3.5 HICC 系统的安装

第15 章 集成联调

15.1 集群间的集成联调

15.1.1 HBase 与HDFS集成联调

15.1.2 HBase 与ZooKeeper集成联调

15.2 分布式应用与集群间的集成联调

15.2.1 Pig 与HDFS 的集成

15.2.2 Hive 与HDFS 的集成

15.2.3 Hive 与Hbase的集成

15.2.4 Chukwa 与HDFS的集成

15.3 客户端与分布式系统间的集成联调

15.3.1 与分布式集群系统的集成

15.3.2 与分布式应用系统的集成

第5 篇 开发篇

第16 章 大数据系统应用开发思路和环境

16.1 总体思路

16.1.1 大数据读写应用的开发

16.1.2 大数据分析应用的开发

16.2 开发环境

16.2.1 Plugin 插件的安装

16.2.2 Hadoop 开发环境的配置

16.2.3 示例程序验证

第17 章 HDFS 文件读／写应用开发

17.1 文件列表

17.2 文件读取

17.3 文件上传

17.4 文件创建

17.5 文件写入

17.6 文件压缩与解压

17.6.1 压缩写入

17.6.2 解压后读取

17.7 目录创建

17.8 文件重命名

17.9 删除文件

17.10 查看文件时间

17.11 查看文件是否存在

17.12 查找文件位置

17.13 查找集群所有的节点

17.14 SequenceFile 文件格式转换

17.14.1 创建SequenceFile 格式的文件

17.14.2 读取SequenceFile 格式的文件

17.15 MapFile 文件格式转换

17.15.1 创建MapFile 格式的文件

17.15.2 读取MapFile 格式的文件

17.15.3 SequenceFile 格式转换成MapFile 格式

第18 章 HBase 数据库读／写应用开发

18.1 创建表

18.2 删除表

18.3 查询数据库中的表

18.4 插入记录

18.5 查询记录

18.5.1 列族的查询

18.5.2 查询所有记录

18.5.3 基于行键查询

18.5.4 基于标签值查询

18.5.5 组合条件查询

18.6 修改记录

18.7 删除记录

第19 章 ZooKeeper 开发

19.1 创建节点

19.2 删除节点

19.3 加入子节点

19.4 列出节点成员

19.5 获取节点内容

第20 章 MapReduce 开发

20.1 定制数据类型

20.2 定制输入格式

20.3 定制输出格式

20.4 将整个文件作为输入

20.5 小文件聚合成一个文件

20.6 多集合文件输出

20.7 对压缩数据处理

20.8 定制partioner

20.9 定制combiner

20.10 MapReduce 组合

20.10.1 迭代组合

20.10.2 线性组合

20.10.3 依赖组合

20.10.4 前后链式组合

20.11 多数据源连接

20.11.1 Reduce 端连接

20.11.2 Map 端连接

20.11.3 Map 端过滤的Reduce端连接

20.12 全局参数应用

20.13 全局文件应用

20.14 关系数据库访问

20.14.1 关系数据库读取

20.14.2 关系数据库的写入

第21 章 Pig 开发

21.1 脚本编程

21.1.1 脚本语言

21.1.2 脚本编程

21.1.3 脚本运行

21.2 自定义函数

21.2.1 编译打包

21.2.2 测试运行

第22 章 Hive 开发

22.1 HiveQL 语言

22.1.1 HiveQL 的数据类型

22.1.2 HiveQL 的常用操作

22.2 UDF 编码

22.3 UDAF 编码

22.4 客户端编码

22.4.1 与Hive 服务器端连接建立

22.4.2 与Hive 进行指令交互

22.4.3 客户端命令组织

22.4.4 程序运行结果

第6 篇 实践篇

第23 章 企业大数据盘系统

23.1 系统开发背景

23.2 系统架构设计

23.3 系统功能设计

23.4 系统代码实现

第24 章 Hadoop 的日志分析

24.1 系统开发背景

24.2 系统架构设计

24.3 系统功能设计

24.4 系统代码实现

24.4.1 系统连接代码

24.4.2 Hive 模块代码

24.4.3 系统组织代码

24.5 系统实现效果

参考文献

《大数据技术全解：基础、设计、开发与实践》的内容展现了大数据领域中的一些最新的技术，主要集中于Hadoop生态中的HDFS（分布式文件系统）、MapReduce分布式计算框架以及HBase分布式数据库三大核心部件的相关技术和实现。作者杨巨龙分别从基础、技术、设计、安装、开发、实践等六个方面来展开这些技术，兼顾了技术原理、具体操作以及设计开发三个层面。不同背景、不同层次和不同目的的读者可以从这三个层面的六个方面来有选择地进行阅读。作者凭借其技术造诣，对内容的设计和编排以及技术的深度等把握得很好。《大数据技术全解基础、设计、开发与实践》内容简介：“大数据”一词已成为当下最热门的词汇之一。人们热切期待大数据能给工作、学习和生活等方面带来前所未有的变化，而大数据的采集、存储、计算、分析挖掘、呈现和安全等技术正是实现这一变化的关键。《大数据技术全解：基础、设计、开发与实践》的重点不在于对大数据技术的原理性介绍，而是从实战角度出发，系统地阐述如何基于Hadoop开源软件为客户设计、安装和开发一个大数据系统。《大数据技术全解：基础、设计、开发与实践》还着重分享了具体实践中的一些案例，不仅对于从事大数据系统开发的IT技术人员具有珍贵的参考价值，而且对准备实施大数据系统项目的企业级客户也具有指导作用。《大数据技术全解：基础、设计、开发与实践》可以作为计算机软件专业的本科生和研究生的大数据技术教材，也可作为大数据技术开发培训、大数据系统咨询规划培训的教材，更是大数据领域内一线的需求分析人员、系统分析人员、高级开发人员和开发管理人员的必备参考书。【作者简介】1991年毕业于中国人民解放军信息工程大学，分配到兰州军区第二技术侦察局从事技术保障和研发工作，1998年转业到地方工作。20多年来一直从事软件设计、开发和管理方面的工作，曾担任过多家IT公司的技术总监和总架构师。目前主要研究方向包括软件编码哲学、大型软件系统体系架构设计、软件需求分析方法论、大数据和云计算技术等。2009至2010年在清华大学网络行为研究所从事信息咨询规划方面的学习和研究，在研究所期间承担过国家多个部委的“十二五”信息化规划的报告编制工作。