Hadoop理论与实践

大数据是什么？在过去的十年间，恐怕没有一个词比大数据更高频了，也没有一个概念如大数据一样，众说纷纭。2014年，阿里巴巴集团总裁马云提出，“人类正从IT时代走向DT时代”。DT(data technology)时代，以服务大众、激发生产力为主。以物联网、云计算、大数据和人工智能为代表的新技术革命正在渗透至各行各业，改变着我们的生活。
Hadoop是Apache软件基金会下的一个*项目，它是目前大数据行业的基础支撑。Hadoop改变了大数据的存储、处理和分析的过程，强有力地驱动了大数据行业的发展，形成了自己的生态圈。
《Hadoop理论与实践》对Hadoop的架构、原理和生态系统组成进行了详细的解读，结构清晰，对于需要详细了解和应用Hadoop的读者是一个不错的选择。
《Hadoop理论与实践》是北京百里半网络技术有限公司所编著的“大数据人工智能系列丛书”中的一本，它为该系列的其他几本专业教材提供了大数据入门的支撑。
《Hadoop理论与实践》凝聚了编委会多年来的教学经验和成果，内容安排合理，层次清晰，通俗易懂，实例丰富，突出理论和实践相结合，可作为各类高等院校教材，也可供广大程序设计人员参考。
《Hadoop理论与实践》由北京百里半网络技术有限公司和李平老师编著。《Hadoop理论与实践》编者长期从事项目开发和教学实施，并且对当前高校的教学情况非常熟悉，在编写过程中充分考虑到不同学生的特点和需求，加强了项目实战方面的教学。在《Hadoop理论与实践》的编写过程中，得到了武汉厚溥教育科技有限公司各级领导的大力支持，在此对他们表示衷心的感谢。
为便于教学，《Hadoop理论与实践》提供PPT教学课件和案例源文件，这些资源可通过扫描下方二维码下载。

PPT课件、案例源文件
限于编写时间和编者的水平，书中难免存在不足之处，希望广大读者批评指正。
服务邮箱：476371891@qq.com。

编 者 
2020年8月

《Hadoop理论与实践》按照高等学校大数据、人工智能课程基本要求，以案例驱动的形式来组织内容，突出该课程的实践性特点。《Hadoop理论与实践》主要包含四大部分：Hadoop技术、数据仓库与Hive、Flume分布式日志处理系统、Spark及其生态圈概述。其中，Hadoop技术包括大数据与数据分析、Hadoop生态系统介绍、Hadoop存储、Hadoop计算之MapReduce、Hadoop安全等；数据仓库与Hive包括Hive与数据库的基础知识、Hive的高级特性、Hive优化及案例的应用；Flume分布式日志处理系统包括Flume介绍、Flume使用案例及Flume开发案例的应用；Spark及其生态圈概述包括Spark简介及Spark生态系统详解。 《Hadoop理论与实践》内容安排合理，层次清晰，通俗易懂，实例丰富，突出理论与实践的结合，可作为各类高等院校人工智能与大数据相关专业的教材，也可供广大程序设计人员参考。

北京百里半网络技术有限公司
北京百里半网络技术有限公司为武汉厚溥企业集团成员单位，致力于互联网相关信息技术产品和服务的研究与开发，以及在线教育行业产品、服务的集成运营。公司拥有雄厚的具备学术、教育及产业背景的研发团队。 
公司为政府、高校、企业等提供极具竞争力的产品服务。在人工智能、大数据及IT运维、互联网用户行为分析、在线教育等领域推出了自有知识产权的独特而领先的产品，为公司的持续发展奠定了坚实的基础。
北京百里半网络技术有限公司长期以来坚持并弘扬“以人为本，本在心；以厚为道，道在行。创造机遇，成就潜能。IT成就*潜能”的企业文化，努力成为值得客户信赖的、具有独特价值的优秀企业，并使之基业长青。
李平
李平，男，1981年出生，工学博士，任教于黄冈师范学院数学与统计学院。主要研究方向为大数据技术与应用、数学建模等，有丰富的高校教学经验与企业实践经历，发表科研论文十余篇，主持参与省部级科研项目三项，多次指导本专科学生及研究生参加数据挖掘竞赛、数学建模竞赛并获得*奖项。

第1章 大数据概述 1
1.1 大数据与数据分析 2
1.1.1 Hadoop的基础组件 2
1.1.2 Hadoop分布式文件系统 3
1.1.3 MapReduce 3
1.1.4 YARN 4
1.2 ZooKeeper 5
1.3 Hive 6
1.4 与其他系统集成 7
1.4.1 Hadoop生态系统 7
1.4.2 数据集成与Hadoop 8
1.4.3 Hadoop商用平台CDH 9
第2章 Hadoop存储 13
2.1 HDFS的基础知识 14
2.1.1 HDFS概念 14
2.1.2 架构 18
2.1.3 接口 21
2.2 在分布式模式下设置HDFS集群 26
2.3 HDFS的高级特性 30
2.3.1 快照 30
2.3.2 离线查看器 33
2.3.3 分层存储 39
2.4 文件格式 42
2.5 云存储 43
第3章 数据仓库和Hive 45
3.1 数据仓库和Hive简介 45
3.1.1 数据仓库简介 45
3.1.2 数据仓库与数据库的区别 46
3.1.3 Hive简介 46
3.1.4 查看CDH中Hive版本 47
3.2 Hive与数据库 48
3.2.1 Hive与RDBMS 48
3.2.2 HiveQL与SQL 50
3.3 Hive的高级特性 51
3.3.1 Hive的优缺点和适用场景 52
3.3.2 Hive进程介绍 52
3.3.3 Hive访问方式 53
3.3.4 Hive体系结构 53
3.3.5 Hive Metastore 55
3.3.6 Hive数据类型 56
3.3.7 Hive的常用参数配置 57
3.3.8 Hive的数据模型 58
3.3.9 Hive函数 62
3.4 案例演示 66
3.4.1 准备数据 67
3.4.2 修改和查询 71
3.4.3 表连接 72
3.4.4 创建视图 74
3.4.5 创建索引 75
3.4.6 JDBC开发 76
3.4.7 UDF的开发 84
3.4.8 UDAF 86
3.5 Hive优化和Hive中的锁 87
3.5.1 注意事项 87
3.5.2 Hive锁 88
3.6 问题汇总 89
第4章 Hadoop计算 91
4.1 Hadoop MapReduce的基础 91
4.1.1 概念 92
4.1.2 架构 94
4.2 启动MapReduce作业 99
4.2.1 编写map任务 100
4.2.2 编写reduce任务 102
4.2.3 编写MapReduce作业 103
4.2.4 MapReduce配置 105
4.3 MapReduce的高级特性 106
4.3.1 分布式缓存 106
4.3.2 计数器 108
4.3.3 作业历史服务器 109
第5章 Hadoop安全 113
5.1 提升Hadoop集群安全性 114
5.1.1 边界安全 114
5.1.2 Kerberos认证 115
5.1.3 Hadoop中的服务级授权 120
5.2 提升数据安全性 124
5.2.1 数据分类 125
5.2.2 将数据传到集群 125
5.2.3 保护集群中的数据 130
5.3 增强应用程序安全性 134
5.3.1 YARN 架构 134
5.3.2 YARN中的应用提交 135
第6章 Flume分布式日志处理系统 139
6.1 Flume介绍 139
6.1.1 Flume简介 140
6.1.2 Flume原理 141
6.1.3 Flume特点 143
6.1.4 Flume结构 143
6.1.5 Flume使用 156
6.2 Flume使用案例 159
6.2.1 Flume监听端口示例 159
6.2.2 两个主机组成的Flume集群示例 162
6.2.3 HDFS Sink使用示例 164
6.2.4 扇出示例 167
6.2.5 负载均衡(Sink组)示例 169
6.3 Flume开发案例 178
6.3.1 开发自定义的Sink 178
6.3.2 Flume结合Kafka的使用 183
第7章 Spark及其生态圈概述 203
7.1 Spark 简介 203
7.1.1 什么是Spark 203
7.1.2 Spark与MapReduce比较 206
7.1.3 Spark的演进路线图 206
7.2 Spark生态系统 207
7.2.1 Spark Core 208
7.2.2 Spark Streaming 209
7.2.3 Spark SQL 211
7.2.4 BlinkDB 213
7.2.5 MLBase/MLIib 213
7.2.6 GraphX 214
7.2.7 SparkR 215
7.2.8 Alluxio 216
7.3 小结 217

《Hadoop理论与实践》对 Hadoop 的架构、原理和生态系统组成进行了详细的解读，结构清晰，对于需要详细了解和应用 Hadoop 的读者是一个不错的选择。
《Hadoop理论与实践》是北京百里半网络技术有限公司所编著的“大数据人工智能系列丛书”中的一本，它为该系列的其他几本专业教材提供了大数据入门的支撑。
《Hadoop理论与实践》凝聚了编委会多年来的教学经验和成果，内容安排合理，层次清晰，通俗易懂，实例丰富，突出理论和实践相结合，可作为各类高等院校教材，也可供广大程序设计人员参考。