大数据技术入门

第1章 大数据时代 1

1.1 什么是大数据 1

1.2 大数据的四大特征 2

1.3 大数据的商用化 3

1.4 大数据分析 5

1.5 大数据与云计算的关系 5

1.6 大数据的国家战略 6

1.6.1 政府大数据的价值 7

1.6.2 政府大数据的应用场景 8

1.7 企业如何迎接大数据 8

1.7.1 评估大数据方案的维度 9

1.7.2 业务价值维度 10

1.7.3 数据维度 11

1.7.4 现有IT环境和成本维度 12

1.7.5 数据治理维度 13

1.8 大数据产业链分析 14

1.8.1 技术分析 14

1.8.2 角色分析 15

1.8.3 大数据运营 17

1.9 大数据交易 18

1.10 大数据之我见 19

第2章 大数据软件框架 20

2.1 Hadoop框架 20

2.1.1 HDFS（分布式文件系统） 21

2.1.2 MapReduce（分布式计算框架） 22

2.1.3 YARN（集群资源管理器） 25

2.1.4 Zookeeper（分布式协作服务） 28

2.1.5 Ambari（管理工具） 29

2.2 Spark（内存计算框架） 29

2.2.1 Scala 31

2.2.2 Spark SQL 32

2.2.3 Spark Streaming 33

2.3 实时流处理框架 34

2.4 框架的选择 35

第3章 安装与配置大数据软件 36

3.1 Hadoop发行版 36

3.1.1 Cloudera 36

3.1.2 HortonWorks 37

3.1.3 MapR 38

3.2 安装Hadoop前的准备工作 39

3.2.1 Linux主机配置 40

3.2.2 配置Java环境 41

3.2.3 安装NTP和python 42

3.2.4 安装和配置openssl 43

3.2.5 启动和停止特定服务 44

3.2.6 配置SSH无密码访问 44

3.3 安装Ambari 和 HDP 45

3.3.1 配置安装包文件 45

3.3.2 安装 Ambari 46

3.3.3 安装和配置HDP 47

3.4 初识Hadoop 49

3.4.1 启动和停止服务 50

3.4.2 使用HDFS 51

3.5 Hadoop的特性 52

第4章 大数据存储：文件系统 53

4.1 HDFS shell命令 53

4.2 HDFS配置文件 55

4.3 HDFS API编程 57

4.3.1 读取HDFS文件内容 57

4.3.2 写HDFS文件内容 60

4.4 HDFS API总结 62

4.4.1 Configuration类 62

4.4.2 FileSystem抽象类 62

4.4.3 Path类 63

4.4.4 FSDataInputStream类 63

4.4.5 FSDataOutputStream类 63

4.4.6 IOUtils类 63

4.4.7 FileStatus类 64

4.4.8 FsShell类 64

4.4.9 ChecksumFileSystem抽象类 64

4.4.10 其他HDFS API实例 64

4.4.11 综合实例 67

4.5 HDFS文件格式 69

4.5.1 SequenceFile 70

4.5.2 TextFile（文本格式） 70

4.5.3 RCFile 70

4.5.4 Avro 72

第5章 大数据存储：数据库 73

5.1 NoSQL 73

5.2 HBase管理 74

5.2.1 HBase表结构 75

5.2.2 HBase系统架构 78

5.2.3 启动并操作HBase数据库 80

5.2.4 HBase Shell工具 82

5.3 HBase编程 86

5.3.1 增删改查API 86

5.3.2 过滤器 90

5.3.3 计数器 93

5.3.4 原子操作 94

5.3.5 管理API 94

5.4 其他NoSQL数据库 95

第6章 大数据访问：SQL引擎层 97

6.1 Phoenix 97

6.1.1 安装和配置Phoenix 98

6.1.2 在eclipse上开发phoenix程序 104

6.1.3 Phoenix SQL工具 108

6.1.4 Phoenix SQL 语法 109

6.2 Hive 111

6.2.1 Hive架构 111

6.2.2 安装Hive 112

6.2.3 Hive和MySQL的配置 114

6.2.4 Hive CLI 115

6.2.5 Hive数据类型 115

6.2.6 HiveQL DDL 119

6.2.7 HiveQL DML 121

6.2.8 Hive编程 123

6.2.9 HBase集成 125

6.2.10 XML和JSON数据 127

6.2.11 使用Tez 128

6.3 Pig 130

6.3.1 Pig语法 131

6.3.2 Pig和Hive的使用场景比较 134

6.4 ElasticSearch（全文搜索引擎） 136

6.4.1 全文索引的基础知识 136

6.4.2 安装和配置ES 138

6.4.3 ES API 140

第7章 大数据采集和导入 143

7.1 Flume 145

7.1.1 Flume架构 145

7.1.2 Flume事件 146

7.1.3 Flume源 147

7.1.4 Flume拦截器（Interceptor） 148

7.1.5 Flume通道选择器（Channel Selector） 149

7.1.6 Flume通道 150

7.1.7 Flume接收器 151

7.1.8 负载均衡和单点失败 153

7.1.9 Flume监控管理 153

7.1.10 Flume实例 154

7.2 Kafka 155

7.2.1 Kafka架构 156

7.2.2 Kafka与JMS的异同 158

7.2.3 Kafka性能考虑 158

7.2.4 消息传送机制 159

7.2.5 Kafka和Flume的比较 159

7.3 Sqoop 160

7.3.1 从数据库导入HDFS 160

7.3.2 增量导入 163

7.3.3 将数据从Oracle导入Hive 163

7.3.4 将数据从Oracle导入HBase 164

7.3.5 导入所有表 165

7.3.6 从HDFS导出数据 165

7.3.7 数据验证 165

7.3.8 其他Sqoop功能 165

7.4 Storm 167

7.4.1 Storm基本概念 168

7.4.2 spout 169

7.4.3 bolt 171

7.4.4 拓扑 173

7.4.5 Storm总结 175

7.5 Splunk 175

第8章 大数据管理平台 177

8.1 大数据建设总体架构 177

8.2 大数据管理平台的必要性 178

8.3 大数据管理平台的功能 179

8.3.1 推进数据资源全面整合共享 179

8.3.2 增强数据管理水平 180

8.3.3 支撑创新大数据分析 180

8.4 数据管理平台（DMP） 180

8.5 EasyDoop案例分析 182

8.5.1 大数据建模平台 183

8.5.2 大数据交换和共享平台 184

8.5.3 大数据云平台 185

8.5.4 大数据服务平台 186

8.5.5 EasyDoop平台技术原理分析 188

第9章 Spark技术 192

9.1 Spark框架 192

9.1.1 安装Spark 193

9.1.2 配置Spark 194

9.2 Spark Shell 195

9.3 Spark编程 198

9.3.1 编写Spark API程序 198

9.3.2 使用sbt编译并打成jar包 199

9.3.3 运行程序 200

9.4 RDD 200

9.4.1 RDD算子和RDD依赖关系 201

9.4.2 RDD转换操作 203

9.4.3 RDD行动（Action）操作 204

9.4.4 RDD控制操作 205

9.4.5 RDD实例 205

9.5 Spark SQL 208

9.5.1 DataFrame 209

9.5.2 RDD转化为DataFrame 213

9.5.3 JDBC数据源 215

9.5.4 Hive数据源 216

9.6 Spark Streaming 217

9.6.1 DStream编程模型 218

9.6.2 DStream操作 221

9.6.3 性能考虑 223

9.6.4 容错能力 224

9.7 GraphX图计算框架 224

9.7.1 属性图 226

9.7.2 图操作符 228

9.7.3 属性操作 231

9.7.4 结构操作 231

9.7.5 关联（join）操作 233

9.7.6 聚合操作 234

9.7.7 计算度信息 235

9.7.8 缓存操作 236

9.7.9 图算法 236

第10章 大数据分析 238

10.1 数据科学 239

10.1.1 探索性数据分析 240

10.1.2 描述统计 241

10.1.3 数据可视化 241

10.2 预测分析 244

10.2.1 预测分析实例 244

10.2.2 回归（Regression）分析预测法 246

10.3 机器学习 247

10.3.1 机器学习的市场动态 248

10.3.2 机器学习分类 249

10.3.3 机器学习算法 251

10.4 Spark MLib 252

10.4.1 MLib架构 253

10.4.2 MLib算法库 253

10.4.3 决策树 257

10.5 深入了解算法 261

10.5.1 分类算法 262

10.5.2 预测算法 263

10.5.3 聚类分析 263

10.5.4 关联分析 264

10.5.5 异常值分析算法 266

10.5.6 协同过滤（推荐引擎）算法 267

10.6 Mahout简介 267

第11章 案例分析：环保大数据 268

11.1 环保大数据管理平台 268

11.2 环保大数据应用平台 269

11.2.1 环境自动监测监控服务 270

11.2.2 综合查询服务 272

11.2.3 统计分析服务 272

11.2.4 GIS服务 274

11.2.5 视频服务 274

11.2.6 预警服务 275

11.2.7 应急服务 276

11.2.8 电子政务服务 277

11.2.9 智能化运营管理系统 279

11.2.10 环保移动应用系统 279

11.2.11 空气质量发布系统 280

11.3 环保大数据分析系统 280

第12章 案例分析：公安大数据 281

12.1 总体架构设计 281

12.2 建设内容 282

12.3 建设步骤 284

附录 1 数据量的单位级别 285

附录 2 Linux Shell常见命令 286

附录 3 Ganglia（分布式监控系统） 289

附录 4 auth-ssh脚本 290

附录 5 作者简介 292

从2015年开始，国内大数据市场继续保持高速的发展态势，作者在与地方政府、证券金融公司的项目合作中发现，他们对大数据技术很感兴趣，并希望从大数据技术、大数据采集、管理、分析以及可视化等方面得到指导和应用帮助。因此编写了这本大数据技术的快速入门书。本书共12章，以Hadoop和Spark框架为线索，比较全面地介绍了Hadoop技术、Spark技术、大数据存储、大数据访问、大数据采集、大数据管理、大数据分析等内容。最后还给出两个案例：环保大数据和公安大数据，供读者参考。本书适合大数据技术初学者，政府、金融机构的大数据应用决策和技术人员，IT经理，CTO，CIO等快速学习大数据技术。本书也可以作为高等院校和培训学校相关专业的培训教材。

本书作者杨正洪是国内知名大数据专家，是华中科技大学和中国地质大学客座教授,拥有国家专利,是湖北省2013年海外引进的科技人才，受武汉市政府邀请，成立武汉市云升科技发展有限公司，在浙江和上海分别有全资子公司，在美国硅谷设有研发中心。作者在与地方政府、证券金融公司的项目合作中发现，他们对大数据技术很感兴趣，并希望从大数据技术、大数据采集、管理、分析以及可视化等方面得到指导和应用帮助。因此编写了这本大数据技术的快速入门书。
本书以Hadoop和Spark框架为线索，比较全面地介绍了Hadoop技术、Spark技术、大数据存储、大数据访问、大数据采集、大数据管理、大数据分析等内容。最后还给出两个案例：环保大数据和公安大数据，供读者参考。