Hadoop数据分析

图书标准信息

• 作者 [美]本杰明·班福特（Benjamin Bengfort）；[美]珍妮·基姆(J
• 出版社 人民邮电出版社
• 出版时间 2018-04
• 版次 1
• ISBN 9787115479648
• 定价 69.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸

【内容简介】

通过提供分布式数据存储和并行计算框架，Hadoop已经从一个集群计算的抽象演化成了一个大数据的操作系统。本书旨在通过以可读且直观的方式提供集群计算和分析的概览，为数据科学家深入了解特定主题领域铺平道路，从数据科学家的视角介绍Hadoop集群计算和分析。本书分为两大部分，* 一部分从非常高的层次介绍分布式计算，讨论如何在集群上运行计算；* 二部分则重点关注数据科学家应该了解的工具和技术，意在为各种分析和大规模数据管理提供动力。

【作者简介】

Benjamin Bengfort，数据科学家，目前正在马里兰大学攻读博士学位，方向为机器学习和分布式计算；熟悉自然语言处理、Python数据科学、Hadoop和Spark分析等。

Jenny Kim，经验丰富的大数据工程师，不仅进行商业软件的开发，在学术界也有所建树，在海量数据、机器学习以及生产和研究环境的Hadoop实施方面有深入研究。目前任职于Cloudera的Hue团队。

【目录】

前言   ix

* 一部分　分布式计算入门

* 1章　数据产品时代   2

1.1　什么是数据产品   2

1.2　使用Hadoop构建大规模数据产品   4

1.2.1　利用大型数据集   4

1.2.2　数据产品中的Hadoop   5

1.3　数据科学流水线和Hadoop生态系统   6

1.4　小结   8

* 2 章　大数据操作系统   9

2.1　基本概念   10

2.2　Hadoop架构   11

2.2.1　Hadoop集群   12

2.2.2　HDFS  14

2.2.3　YARN  15

2.3　使用分布式文件系统   16

2.3.1　基本的文件系统操作   16

2.3.2　HDFS文件权限   18

2.3.3　其他HDFS接口   19

2.4　使用分布式计算   20

2.4.1　MapReduce：函数式编程模型   20

2.4.2　MapReduce：集群上的实现   22

2.4.3　不止一个MapReduce：作业链   27

2.5　向YARN 提交MapReduce 作业   28

2.6　小结   30

第3 章　Python 框架和Hadoop Streaming   31

3.1　Hadoop Streaming   32

3.1.1　使用Streaming在CSV 数据上运行计算   34

3.1.2　执行Streaming作业   38

3.2　Python 的MapReduce框架   39

3.2.1　短语计数   42

3.2.2　其他框架   45

3.3　MapReduce进阶   46

3.3.1　combiner   46

3.3.2　partitioner   47

3.3.3　作业链   47

3.4　小结   50

第4 章　Spark内存计算   52

4.1　Spark基础   53

4.1.1　Spark栈   54

4.1.2　RDD   55

4.1.3　使用RDD 编程   56

4.2　基于PySpark的交互性Spark   59

4.3　编写Spark应用程序   61

4.4　小结   67

第5 章　分布式分析和模式   69

5.1　键计算   70

5.1.1　复合键   71

5.1.2　键空间模式   74

5.1.3　pair与stripe   78

5.2　设计模式   80

5.2.1　概要   81

5.2.2　索引   85

5.2.3　过滤   90

5.3　迈向* 后一英里分析   95

5.3.1　模型拟合   96

5.3.2　模型验证   97

5.4　小结   98

* 二部分　大数据科学的工作流和工具

第6 章　数据挖掘和数据仓   102

6.1　Hive 结构化数据查询   103

6.1.1　Hive 命令行接口（CLI）   103

6.1.2　Hive 查询语言   104

6.1.3　Hive 数据分析   108

6.2　HBase    113

6.2.1　NoSQL 与列式数据库   114

6.2.2　HBase 实时分析   116

6.3　小结   122

第7 章　数据采集   123

7.1　使用Sqoop 导入关系数据   124

7.1.1　从MySQL 导入HDFS   124

7.1.2　从MySQL 导入Hive   126

7.1.3　从MySQL 导入HBase   128

7.2　使用Flume 获取流式数据   130

7.2.1　Flume 数据流   130

7.2.2　使用Flume 获取产品印象数据   133

7.3　小结    136

第8 章　使用高 级API 进行分析   137

8.1　Pig   137

8.1.1　Pig Latin   138

8.1.2　数据类型   142

8.1.3　关系运算符   142

8.1.4　用户定义函数   143

8.1.5　Pig 小结   144

8.2　Spark 高 级API    144

8.2.1　Spark SQL   146

8.2.2　DataFrame   148

8.3　小结   153

第9 章　机器学习   154

9.1　使用Spark 进行可扩展的机器学习   154

9.1.1　协同过滤   156

9.1.2　分类   161

9.1.3　聚类   163

9.2　小结   166

* 10 章　总结：分布式数据科学实战   167

10.1　数据产品生命周期   168

10.1.1　数据湖泊   169

10.1.2　数据采集   171

10.1.3　计算数据存储   172

10.2　机器学习生命周期   173

10.3　小结   175

附录A　创建Hadoop 伪分布式开发环境   176

附录B　安装Hadoop 生态系统产品   184

术语表   193

关于作者   211

关于封面   211