本書將為大家全面而深入地介紹Hadoop、Spark和NoSQL平臺的構(gòu)建,深入淺出地講解Hadoop、Spark和NoSQL的基礎(chǔ)知識、架構(gòu)方案與實戰(zhàn)技巧等。通過閱讀本書,讀者可以對大數(shù)據(jù)平臺架構(gòu)有一個明確、清晰的認識,掌握Hadoop、Spark、NoSQL平臺的使用技巧,從而搭建一個安全可靠的大數(shù)據(jù)集群平臺,來滿足企業(yè)的實際需求。 本書共15章,可分為五大部分。第一部分(第1章)為大數(shù)據(jù)平臺架構(gòu)概述,講述大數(shù)據(jù)平臺的基本概念與實際應(yīng)用;第二部分(第2章~第6章)主要講解Hadoop的基本使用方法,以及Hadoop生態(tài)圈的其他組件;第三部分(第7章)主要介紹NoSQL;第四部分(第8章~第10章)主要介紹Spark生態(tài)圈與Spark實戰(zhàn)案例;第五部分(第11章~第15章)講解如何構(gòu)建大數(shù)據(jù)平臺,闡述大數(shù)據(jù)平臺的幾個核心模塊,以及大數(shù)據(jù)平臺的未來發(fā)展趨勢。 本書可作為各類IT企業(yè)和研發(fā)機構(gòu)的大數(shù)據(jù)工程師、架構(gòu)師、軟件設(shè)計師、程序員,以及相關(guān)專業(yè)在校學(xué)生的參考書。
數(shù)據(jù)庫專家,數(shù)據(jù)分析專家,有豐富的IT領(lǐng)域、數(shù)學(xué)領(lǐng)域的知識經(jīng)驗。知名數(shù)據(jù)庫網(wǎng)站ITPUB創(chuàng)始人,知名數(shù)據(jù)分析網(wǎng)站煉數(shù)成金創(chuàng)始人。ITPUB在其十幾年歷史中為中國IT業(yè)特別是數(shù)據(jù)庫行業(yè)輸送了大量人才,其中不乏今天在行業(yè)里叱咤風(fēng)云的佼佼者,因此被譽為數(shù)據(jù)庫業(yè)的黃埔軍校。后來創(chuàng)建煉數(shù)成金,言傳身教,親自講授大數(shù)據(jù),數(shù)據(jù)庫,數(shù)據(jù)分析,人工智能等方面的幾十門課程,身也在華南著名學(xué)府中山大學(xué)任教多年,桃李滿天下。引領(lǐng)無數(shù)弟子進入業(yè)界,朋友圈遍及業(yè)界重要人士,廣受尊重。
第1章 大數(shù)據(jù)平臺架構(gòu)概述 1
1.1 大數(shù)據(jù)平臺的產(chǎn)生與應(yīng)用 1
1.1.1 大數(shù)據(jù)平臺的產(chǎn)生 1
1.1.2 大數(shù)據(jù)平臺的應(yīng)用 2
1.2 大數(shù)據(jù)平臺架構(gòu) 4
1.3 大數(shù)據(jù)處理系統(tǒng)經(jīng)典架構(gòu) 7
1.3.1 什么是Lambda架構(gòu) 7
1.3.2 Lambda架構(gòu) 8
1.3.3 Kappa架構(gòu) 10
1.3.4 適用場景 10
第2章 大數(shù)據(jù)與Hadoop 12
2.1 Hadoop簡介 12
2.1.1 Hadoop起源 12
2.1.2 Hadoop特點 13
2.1.3 Hadoop版本 13
2.2 Hadoop生態(tài)系統(tǒng) 14
2.2.1 Hadoop生態(tài)系統(tǒng)概況 15
2.2.2 Hadoop生態(tài)系統(tǒng)組成詳解 16
2.3 Hadoop應(yīng)用案例 21
2.3.1 Hadoop應(yīng)用案例1:全球最大超市沃爾瑪 21
2.3.2 Hadoop應(yīng)用案例2:全球最大拍賣網(wǎng)站eBay 21
2.3.3 Hadoop應(yīng)用案例3:全球最大信用卡公司Visa 22
2.4 Hadoop在國內(nèi)的現(xiàn)狀與未來 22
2.4.1 國內(nèi)最早的Hadoop交流平臺:Hadoop in China 22
2.4.2 國內(nèi)Hadoop發(fā)展現(xiàn)狀 22
2.4.3 國內(nèi)Hadoop前景展望 25
第3章 開始使用Hadoop集群 26
3.1 Hadoop初探 26
3.1.1 使用Hadoop的先決條件 26
3.1.2 安裝環(huán)境 27
3.1.3 安裝并運行Hadoop 29
3.1.4 運行模式 30
3.1.5 Hadoop單機模式 31
3.1.6 Hadoop偽分布式模式 32
3.1.7 Hadoop完全分布式模式 36
3.1.8 Hadoop命令手冊解讀 39
3.2 HDFS基礎(chǔ)和權(quán)限管理 45
3.2.1 HDFS特點 45
3.2.2 HDFS基本構(gòu)成 46
3.2.3 HDFS使用原理 47
3.2.4 HDFS權(quán)限管理 48
3.3 MapReduce Job開發(fā)、運行與管理 49
3.3.1 為什么需要 MapReduce 49
3.3.2 MapReduce 1.X和MapReduce 2.X 49
3.3.3 MapReduce開發(fā) 55
3.3.4 MapReduce運行與管理 58
3.4 YARN管理 62
3.4.1 YARN簡介 62
3.4.2 主要組件 64
3.4.3 ResourceManager組件 65
3.4.4 NodeManager組件 65
3.4.5 ApplicationMaster組件 66
3.4.6 Container組件 66
3.4.7 應(yīng)用提交過程分析 66
第4章 Hadoop集群性能優(yōu)化和維護 69
4.1 集群常用配置文件解讀 69
4.1.1 配置文件 70
4.1.2 Hadoop核心配置文件core-site.xml 71
4.2 HDFS配置優(yōu)化 78
4.2.1 dfsadmin 81
4.2.2 SecondaryNameNode 82
4.2.3 Rebalance與機架感知 83
4.2.4 安全模式、fsck、升級與回滾 84
4.2.5 集群與環(huán)境優(yōu)化 85
4.3 MapReduce配置優(yōu)化 86
4.3.1 Job配置 86
4.3.2 其他 91
4.4 YARN配置優(yōu)化 91
4.4.1 YARN 91
4.4.2 Capacity Scheduler 92
4.4.3 Queue Properties 94
第5章 高可用配置 97
5.1 架構(gòu) 97
5.2 使用NFS共享存儲 98
5.3 Quorum-based存儲+ZooKeeper 99
5.4 QJM 100
5.5 使用ZooKeeper進行自動故障轉(zhuǎn)移 101
5.6 部署與配置 102
第6章 Hadoop其他組件 106
6.1 HBase介紹 106
6.1.1 概述 106
6.1.2 特點 107
6.1.3 架構(gòu) 108
6.1.4 工作原理 108
6.1.5 安裝與運行 110
6.1.6 基礎(chǔ)操作 112
6.2 Hive介紹 113
6.2.1 概述 113
6.2.2 特點 114
6.2.3 數(shù)據(jù)結(jié)構(gòu) 114
6.2.4 架構(gòu) 115
6.2.5 工作原理 116
6.2.6 安裝與運行 116
6.3 Pig介紹 118
6.3.1 概述 118
6.3.2 特點 119
6.3.3 運行模式 119
6.3.4 安裝與運行 120
6.4 Sqoop介紹 121
6.4.1 概述 121
6.4.2 版本介紹 122
6.4.3 特點 122
6.4.4 安裝與運行 123
6.4.5 工作原理 123
第7章 NoSQL 125
7.1 NoSQL介紹 125
7.2 NewSQL介紹 126
7.3 NoSQL應(yīng)用場景 127
7.4 能承受海量壓力的鍵值型數(shù)據(jù)庫:Redis 128
7.5 處理非結(jié)構(gòu)化數(shù)據(jù)的利器:MongoDB 128
7.6 圖數(shù)據(jù)庫:Neo4j 130
7.6.1 什么是圖 130
7.6.2 什么是圖數(shù)據(jù)庫 130
7.6.3 Neo4j簡介 130
第8章 Spark生態(tài)系統(tǒng) 132
8.1 Spark在大數(shù)據(jù)生態(tài)中的定位 132
8.1.1 Spark簡介 132
8.1.2 Spark系統(tǒng)定位 135
8.1.3 基本術(shù)語 136
8.2 Spark主要模塊介紹 138
8.2.1 Spark Core 138
8.2.2 Spark SQL 146
8.2.3 Spark Streaming 149
8.2.4 GraphX 150
8.2.5 MLlib 154
8.3 Spark部署模型介紹 156
第9章 Spark SQL實戰(zhàn)案例 158
9.1 Spark SQL前世今生 158
9.1.1 大數(shù)據(jù)背景 158
9.1.2 Spark和Spark SQL的產(chǎn)生 159
9.1.3 版本更迭 159
9.2 RDD、DataFrame及Dataset 160
9.2.1 Spark SQL基礎(chǔ) 161
9.2.2 Dataset、DataFrame、RDD的區(qū)別 167
9.3 使用外部數(shù)據(jù)源 168
9.3.1 讀寫文件 168
9.3.2 .parquet文件 169
9.3.3 ORC文件 174
9.3.4 JSON Dataset 174
9.4 連接Metastore 174
9.4.1 Hive table 174
9.4.2 和不同版本的Hive Metastore交互 175
9.4.3 JDBC連接其他數(shù)據(jù)庫 176
9.5 自定義函數(shù) 178
9.5.1 聚合函數(shù)——非標(biāo)準(zhǔn)化類型(UnTyped)UADF開發(fā) 178
9.5.2 類型安全的自定義聚合函數(shù)——Type-safe的UDAF 180
9.6 Spark SQL與Spark Thrift server 183
9.6.1 分布式SQL引擎 183
9.6.2 HiveServer2服務(wù) 184
9.7 Spark SQL 優(yōu)化 185
9.7.1 內(nèi)存緩存數(shù)據(jù) 185
9.7.2 SQL查詢中的Broadcast Hint 186
9.7.3 持久化RDD,選擇存儲級別 186
9.7.4 數(shù)據(jù)序列化選擇 188
9.7.5 內(nèi)存管理 189
9.7.6 其他考慮 192
第10章 Spark Streaming 195
10.1 Spark Streaming架構(gòu) 195
10.2 DStream的特點 196
10.3 DStream的操作 197
10.3.1 DStream的輸入操作 197
10.3.2 DStream的轉(zhuǎn)換操作 199
10.4 StatefulRDD和windowRDD實戰(zhàn) 201
10.4.1 StatelessRDD無狀態(tài)轉(zhuǎn)化操作 201
10.4.2 StatefulRDD有狀態(tài)轉(zhuǎn)化操作 206
10.5 Kafka+Spark Steaming實戰(zhàn) 212
10.5.1 搭建Kafka環(huán)境 212
10.5.2 代碼編寫 213
10.6 Spark Streaming的優(yōu)化 220
第11章 數(shù)據(jù)同步收集 224
11.1 從關(guān)系數(shù)據(jù)庫同步數(shù)據(jù)到HDFS 224
11.1.1 Sqoop 225
11.1.2 DataX 226
11.2 Sqoop的使用 228
11.2.1 安裝 228
11.2.2 MySQL環(huán)境驅(qū)動配置 229
11.2.3 導(dǎo)入數(shù)據(jù) 230
11.3 數(shù)據(jù)清洗 234
第12章 任務(wù)調(diào)度系統(tǒng)設(shè)計 239
12.1 初識任務(wù)調(diào)度 239
12.2 幾種相對成熟的Java調(diào)度系統(tǒng)選擇 242
12.2.1 Timer和TimerTask 242
12.2.2 ScheduledThreadPoolExecutor 244
12.2.3 Quartz 245
12.2.4 jcrontab 245
12.2.5 相對成熟的調(diào)度工具和開源產(chǎn)品 246
12.3 Quartz的介紹 250
12.3.1 Quartz的儲備知識 251
12.3.2 Quartz的基本使用 251
12.3.3 Trigger的選擇 252
12.3.4 JobStore 255
12.3.5 完整的例子 257
12.4 開源工具XXL-Job 258
12.4.1 搭建項目 258
12.4.2 運行項目 260
12.4.3 項目簡單使用 263
12.4.4 高級使用和使用建議 267
第13章 調(diào)度系統(tǒng)選擇 274
13.1 常用調(diào)度系統(tǒng)及對比 274
13.1.1 Oozie簡介 274
13.1.2 Azkaban簡介 275
13.1.3 Airflow簡介 276
13.1.4 調(diào)度系統(tǒng)對比 277
13.2 Airflow基本架構(gòu)設(shè)計 278
13.2.1 設(shè)計原則 278
13.2.2 Airflow的服務(wù)構(gòu)成 278
13.2.3 依賴關(guān)系的解決 280
13.2.4 工作原理 280
13.3 Airflow任務(wù)調(diào)度系統(tǒng)的安裝配置及使用 281
13.3.1 安裝 281
13.3.2 配置 282
13.3.3 使用 285
13.4 Airflow自定義DAG的使用 286
第14章 數(shù)據(jù)安全管理 292
14.1 HDFS層面的訪問權(quán)限及安全模式 292
14.1.1 HDFS權(quán)限管理 292
14.1.2 HDFS安全模式 293
14.1.3 ACL概念介紹 294
14.2 保障敏感數(shù)據(jù)的安全性 295
14.3 應(yīng)用層面的安全性保障 297
第15章 大數(shù)據(jù)面臨的挑戰(zhàn)、發(fā)展趨勢及典型案例 300
15.1 大數(shù)據(jù)面臨的問題與挑戰(zhàn) 300
15.1.1 大數(shù)據(jù)潛在的危害 300
15.1.2 開放與隱私如何平衡 301
15.1.3 大數(shù)據(jù)人才的缺乏 302
15.2 大數(shù)據(jù)發(fā)展趨勢 302
15.2.1 大數(shù)據(jù)與電子商務(wù) 303
15.2.2 大數(shù)據(jù)與醫(yī)療 303
15.2.3 大數(shù)據(jù)與人工智能 304
15.2.4 工業(yè)大數(shù)據(jù)云平臺 304
15.3 典型大數(shù)據(jù)平臺案例 304
15.3.1 阿里云數(shù)加 304
15.3.2 華為Fusion Insight大數(shù)據(jù)平臺 305
15.3.3 三一重工Witsight工業(yè)大數(shù)據(jù)平臺 307