大数据技术入门（第2版）

图书标准信息

• 作者 杨正洪 著
• 出版社 清华大学出版社
• 出版时间 2020-02
• 版次 1
• ISBN 9787302547969
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 387页
• 字数 0.64千字

【内容简介】

目前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、采集、存储、访问、安全、分析与开发等方面得到指导和帮助。因此编写了这本大数据技术的入门书。 

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、大数据开发、大数据环境自动化部署（Docker和K8s）等内容。 

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。 

【作者简介】

杨正洪，毕业于美国State University of New York at Stony Brook，在美国硅谷从事AI和大数据相关研发工作 10 多年，华中科技大学和中国地质大学客座教授，湖北省 2013 年海外引进人才，拥有多项国家专利。参与了大数据和人工智能的国家标准的制定，在 2016 年参与了公安部主导的“信息安全技术：大数据平台安全管理产品安全技术要求”的国家标准制定。作者还是中关村海外智库专家顾问和住建部中规院专家顾问，担任了在美上市公司 CTO、北京某国企 CIO 和上海某国企高级副总裁等职。多年从事人工智能与大数据技术的工作，出版了《智慧城市》等多本书籍。

【目录】

目    录
第1章  大数据时代    1
1.1  什么是大数据    1
1.1.1  四大特征    2
1.1.2  数据监管（Data Governance）    3
1.1.3  数据质量    4
1.1.4  大数据分析    4
1.1.5  大数据平台架构    5
1.2  大数据与云计算的关系    6
1.2.1  云计算产品概述    6
1.2.2  虚拟服务器    7
1.2.3  云存储    11
1.3  Hadoop和云平台的应用实例    12
1.3.1  云平台层面配置    12
1.3.2  大数据平台层面配置    14
1.4  数据湖（Data Lake）    16
1.5  企业如何走向大数据    17
1.5.1  业务价值维度    18
1.5.2  数据维度    18
1.5.3  现有IT环境和成本维度    19
1.5.4  数据治理维度    20
第2章  大数据软件框架    21
2.1  Hadoop框架    21
2.1.1  HDFS（分布式文件系统）    22
2.1.2  MapReduce（分布式计算框架）    23
2.1.3  YARN（集群资源管理器）    28
2.2  Spark（内存计算框架）    30
2.2.1  Spark SQL    31
2.2.2  Spark Streaming    32
2.3  实时流处理框架    34
2.4  云端消息队列    34
2.5  框架的选择    35
2.6  Hadoop发行版    36
2.7  Mac上安装Hadoop    37
2.7.1  在Mac上安装Hadoop    37
2.7.2  安装MySQL和Hive    41
2.8  Linux上安装Hadoop    44
2.8.1  配置Java环境    45
2.8.2  安装ntp和Python    47
2.8.3  安装和配置openssl    47
2.8.4  配置SSH无密码访问    47
2.8.5  安装Ambari和HDP    48
2.8.6  启动和停止服务    52
2.9  AWS云平台上安装Hadoop    54
第3章  大数据集群    57
3.1  集群实例分析    57
3.2  YARN    67
3.2.1  架构组成    68
3.2.2  YARN执行流程    71
3.3  资源的调度器    75
3.3.1  Capacity Scheduler    76
3.3.2  Fair Scheduler    78
3.3.3  资源调度实例分析    81
3.3.4  内存和CPU资源调度    84
3.4  深入研究Resource Manager    88
3.5  集群配置文件总览    91
3.5.1  yarn-site.xml    91
3.5.2  mapred-site.xml    94
3.6  自动伸缩（Auto Scaling）集群    97
3.7  迁移Hadoop集群    97
3.8  增加Instance    99
第4章  大数据存储：文件系统和云存储    100
4.1  HDFS shell命令    100
4.2  配置HDFS    102
4.2.1  配置文件    102
4.2.2  多节点配置    103
4.3  HDFS API编程    104
4.3.1  读取HDFS文件内容    105
4.3.2  写HDFS文件内容    108
4.3.3  WebHDFS    108
4.4  HDFS API总结    110
4.4.1  Configuration类    110
4.4.2  FileSystem抽象类    111
4.4.3  Path类    111
4.4.4  FSDataInputStream类    111
4.4.5  FSDataOutputStream类    112
4.4.6  IOUtils类    112
4.4.7  FileStatus类    112
4.4.8  FsShell类    112
4.4.9  ChecksumFileSystem抽象类    112
4.4.10  其他的HDFS API实例    113
4.4.11  综合实例    115
4.5  HDFS文件格式    118
4.5.1  SequenceFile    118
4.5.2  TextFile（文本格式）    118
4.5.3  RCFile    118
4.5.4  Avro    120
4.6  云存储S3    120
4.6.1  S3基本概念    121
4.6.2  S3管理控制台    122
4.6.3  S3 CLI    126
4.6.4  S3 SDK    127
4.6.5  分区    129
4.6.6  与EBS的比较    129
4.6.7  与Glacier的比较    129
第5章  大数据存储：数据库    130
5.1  NoSQL    130
5.2  HBase概述    131
5.2.1  HBase表结构    132
5.2.2  HBase系统架构    135
5.2.3  启动并操作HBase数据库    136
5.2.4  HBase Shell工具    139
5.3  HBase编程    142
5.3.1  增删改查API    142
5.3.2  过滤器    146
5.3.3  计数器    149
5.3.4  原子操作    149
5.3.5  管理API    149
5.4  其他NoSQL数据库    151
5.4.1  Cassandra    151
5.4.2  Impala    151
5.4.3  DynamoDB    151
5.4.4  Redshift    151
5.5  云数据库    152
5.5.1  什么是RDS    152
5.5.2  创建云数据库    152
5.5.3  查看云数据库信息    156
5.5.4  何时使用云端数据库    159
第6章  大数据访问：SQL引擎层    160
6.1  Phoenix    161
6.1.1  安装和配置Phoenix    161
6.1.2  在Eclipse上开发Phoenix程序    165
6.1.3  Phoenix SQL工具    169
6.1.4  Phoenix SQL语法    170
6.2  Hive    171
6.2.1  Hive架构    172
6.2.2  安装Hive    173
6.2.3  Hive CLI    175
6.2.4  Hive数据类型    175
6.2.5  Hive文件格式    177
6.2.6  Hive表定义    179
6.2.7  Hive加载数据    183
6.2.8  Hive查询数据    184
6.2.9  Hive UDF    186
6.2.10  Hive视图    188
6.2.11  HiveServer2    189
6.2.12  hive-site.xml需要的配置    195
6.2.13  HBase集成    200
6.2.14  XML和JSON数据    200
6.2.15  使用TEZ    201
6.2.16  Hive MetaStore    203
6.2.17  综合示例    204
6.3  Pig    206
6.3.1  Pig语法    207
6.3.2  Pig和Hive的使用场景之比较    210
6.4  ElasticSearch（全文搜索引擎）    211
6.4.1  全文索引的基础知识    211
6.4.2  安装和配置ElasticSearch    213
6.4.3  ElasticSearch API    215
6.5  Presto    217
第7章  大数据采集和导入    218
7.1  Flume    220
7.1.1  Flume架构    220
7.1.2  Flume事件    221
7.1.3  Flume源    221
7.1.4  Flume拦截器（Interceptor）    222
7.1.5  Flume通道选择器（Channel Selector）    223
7.1.6  Flume通道    224
7.1.7  Flume接收器    225
7.1.8  负载均衡和单点失败    226
7.1.9  Flume监控管理    227
7.1.10  Flume实例    227
7.2  Kafka    229
7.2.1  Kafka架构    229
7.2.2  Kafka与JMS的异同    230
7.2.3  Kafka性能考虑    231
7.2.4  消息传送机制    231
7.2.5  Kafka和Flume的比较    232
7.3  Sqoop    232
7.3.1  从数据库导入HDFS    233
7.3.2  增量导入    235
7.3.3  将数据从Oracle导入Hive    235
7.3.4  将数据从Oracle导入HBase    235
7.3.5  导入所有表    236
7.3.6  从HDFS导出数据    236
7.3.7  数据验证    237
7.3.8  其他Sqoop功能    237
7.4  Storm    238
7.4.1  Storm基本概念    238
7.4.2  Spout    240
7.4.3  Bolt    241
7.4.4  拓扑结构    243
7.4.5  Storm总结    244
7.5  Amazon Kinesis    245
7.6  其他工具    246
7.6.1  Embulk    246
7.6.2  Fluentd    247
第8章  大数据安全管控    250
8.1  数据主权和合规性    250
8.2  云端安全    251
8.2.1  身份验证和访问权限    251
8.2.2  角色    253
8.2.3  虚拟网络    254
8.2.4  安全组    255
8.3  云端监控    256
8.3.1  跟踪和审计    256
8.3.2  监控    257
8.3.3  基于Datadog的监控    259
8.4  云端备份和恢复    262
8.5  大数据安全    262
8.5.1  Kerberos    263
8.5.2  Apache Ranger    263
8.5.3  应用端安全    267