Apache Drill学习手册

图书标准信息

• 作者 查尔斯吉弗（Charles Givre）、保罗罗杰斯（Paul Rogers） 著
• 出版社 中国电力出版社
• 出版时间 2020-05
• 版次 1
• ISBN 9787519843984
• 定价 88.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 356页
• 字数 413千字

【内容简介】

主要内容

 

·使用Drill来清洗、准备和汇总原始数据供后期分析使用。

 

·对日志文件、Parquet文件、JSON和其他复杂的数据文件进行查询。

 

·使用标准SQL对Hadoop、关系型数据库、MongoDB和Kafka进行查询。

 

·通过各种编程语言访问Drill。

 

·使用Drill分析各种结构复杂或存在二义性的数据。

 

·通过自定义函数扩展Drill的功能，完成复杂的分析任务。

 

·为网络安全、图片元数据或机器学习数据提供分析能力。

 

【作者简介】

Charles Givre是Apache Drill的PMC成员，他是德意志银行中央安全办公室的首席数据科学家。他致力于培养数据科学家并教授数据分析技能，为此他还合伙创办自己的培训公司GTK Cyber。他在全球各种会议和高校教授上述主题的内容。

 

Paul Rogers是Apache Drill的PMC成员，他专注于Drill的执行引擎开发，同时也是一位数据库和BI方面的软件架构师。他曾经在Cloudera、MapR、Oracle、Actuate和Informix工作。

 

【目录】

目录

 

前言 1

 

第1 章 Apache Drill 入门 7

 

什么是Apache Drill 8

 

Drill 用途广泛 8

 

Drill 非常易用 10

 

有关Drill 的性能  11

 

大数据简史 11

 

大数据生态中的Drill 13

 

Drill 与类似工具的比较 13

 

第2 章 安装与运行  15

 

准备系统环境 16

 

Windows 环境下的特殊配置 16

 

在Windows 上安装Drill 18

 

在Windows 上启动Drill 18

 

在macOS 或Linux 上安装嵌入模式的Drill 19

 

在macOS 或Linux 上以嵌入模式运行Drill 20

 

在macOS 或 Linux 上安装分布式模式的Drill 21

 

为Drill 准备集群环境 22

 

启动分布式模式的Drill 23

 

连接集群 23

 

小结 24

 

第3 章 Apache Drill 概述  25

 

Apache Hadoop 生态 25

 

Drill 是一个低延迟的查询引擎 26

 

使用HDFS 进行分布式数据处理 27

 

Drill 系统结构 27

 

Drill 操作概览 28

 

Drill 是一个查询引擎，不是数据库 29

 

Drill 操作概述 30

 

Drill 组件 30

 

SQL 会话状态 30

 

编译查询语句 31

 

查询语句执行 36

 

低延迟特性38

 

小结 41

 

第4 章 查询包含分隔符的数据  42

 

通过Drill 查询数据的几种方式 42

 

其他操作接口 43

 

Drill SQL 查询格式 44

 

选择数据源44

 

定义工作区46

 

指定默认数据源 47

 

在查询中访问列 49

 

带表头并包含分隔符的数据 51

 

Table 函数 53

 

查询目录中的数据 53

 

理解Drill 的数据类型 55

 

使用字符串处理函数清洗和准备数据 57

 

复杂数据转换函数 59

 

操作Drill 中的日期和时间 60

 

把字符串转换为日期 61

 

对日期进行重新格式化 63

 

日期计算与操作 63

 

Drill 中的日期时间函数 64

 

创建视图 65

 

使用Drill 进行数据分析 66

 

通过聚合函数对数据进行统计 68

 

查询包含分隔符数据的常见问题 75

 

列名中的空格 75

 

列名中的非法字符 76

 

字段名中的保留字 76

 

小结 77

 

第5 章 分析复合与嵌套数据  78

 

数组与Map 78

 

Drill 中的数组 79

 

在Drill 中访问Map（键C 值对） 81

 

查询嵌套数据 83

 

使用Drill 分析日志文件 91

 

配置Drill 读取httpd Web 服务器的日志 91

 

查询Web 服务器日志 92

 

用Drill 对其他类型的日志进行分析 97

 

小结 100

 

第6 章 把Drill 连接到数据源  101

 

查询多种数据源 102

 

配置新的存储插件 102

 

用Drill 连接关系型数据库 103

 

通过Drill 查询Hadoop 数据 108

 

用Drill 连接并查询HBase 108

 

用Drill 查询Hive 数据  110

 

连接Kafka 查询流数据  113

 

提高Kafka 查询的性能  115

 

连接并查询Kudu  115

 

用Drill 连接并查询MongoDB 数据  116

 

把Drill 连接到云存储  116

 

用Drill 从OpenTSDB 查询时间序列数据 121

 

小结 122

 

第7 章 连接Drill  123

 

理解Drill 的接口 123

 

JDBC 与Drill 124

 

ODBC 与Drill 125

 

Drill 的REST 接口 127

 

使用Python 连接Drill 128

 

使用drillpy 对Drill 发起查询 129

 

使用pydrill 连接Drill 130

 

其他通过Python 连接Drill 的方法 131

 

用R 语言连接Drill 133

 

使用sergeant 在R 中查询Drill 133

 

通过Java 连接Drill 135

 

在PHP 中查询Drill 136

 

使用连接器137

 

在PHP 中执行Drill 查询 137

 

在PHP 中操作Drill 138

 

使用Nodejs 查询Drill 139

 

在BI 工具中使用Drill 作为数据源 139

 

使用Apache Zeppelin 和Drill 分析数据 139

 

使用Apache Superset 分析数据 145

 

小结 151

 

第8 章 用Drill 完成数据工程工作  152

 

读时Schema 152

 

SQL 关系模型 153

 

数据生命周期：数据探索到生产 154

 

Schema 推导 155

 

数据源推导 155

 

存储插件 156

 

存储配置 156

 

工作区 157

 

查询目录 159

 

默认Schema 159

 

文件类型推导 160

 

格式插件与格式配置 160

 

格式推导 161

 

文件格式变种 162

 

Schema 推导概述163

 

分布式扫描 165

 

带分隔符数据的Schema 推导 167

 

CSV 文件处理小结 173

 

JSON 文件的Schema 推导 175

 

二义性数值Schema 178

 

在文件间保证Schema 一致 184

 

JSON 对象 186

 

Drill 中的JSON 列表 189

 

JSON 小结 193

 

在Drill 中使用Parquet 文件格式 194

 

Parquet 中的Schema 进化 195

 

分区数据目录 195

 

定义表工作区 198

 

处理生产环境中的查询 199

 

捕捉Schema 映射视图 199

 

在脚本中运行复杂查询 200

 

小结 201

 

第9 章 在生产环境部署Drill  202

 

安装Drill 202

 

前置需求 203

 

生产环境安装 204

 

配置ZooKeeper 205

 

内存配置 206

 

配置日志 208

 

测试安装是否成功 209

 

分发Drill 可执行文件和配置 210

 

启动Drill 集群  211

 

配置存储 212

 

使用Apache Hadoop HDFS 213

 

使用Amazon S3 214

 

准入控制 217

 

其他配置 219

 

用户自定义函数与自定义插件 219

 

安全 220

 

日志级别 220

 

控制CPU 使用 222

 

监控 223

 

监控Drill 的进程 224

 

监控JMX 指标 224

 

监控查询 225

 

其他部署选项 225

 

MapR 安装程序 226

 

Drill-on-YRAN 226

 

Docker 226

 

小结 227

 

第10 章 搭建开发环境  228

 

安装Maven 228

 

创建Drill 的编译环境 229

 

设置Git 并获取源代码 229

 

从代码编译Drill 230

 

安装IDE 231

 

小结 231

 

第11 章 编写用户自定义函数  232

 

用例：找出合法的信用卡号码 232

 

Drill 中的用户自定义函数是怎么工作的 234

 

Drill 的简单UDF 结构 234

 

pomxml 文件 235

 

函数文件 236

 

简单函数API 240

 

完整的代码241

 

构建与安装UDF 243

 

静态安装UDF 243

 

动态安装UDF 243

 

复合函数：返回Map 或数组的UDF 244

 

例子：解析User Agent 元数据 245

 

ComplexWriter 对象 246

 

编写聚合UDF 248

 

聚合函数API 249

 

聚合UDF 示例：肯德尔秩相关系数 249

 

小结 252

 

第12 章 编写格式插件  253

 

正则表达式格式插件 253

 

基于Easy 框架创建格式插件 255

 

创建Maven 的pomxml 文件 256

 

创建插件包258

 

Drill 模块配置 258

 

格式插件配置 259

 

注意事项 259

 

创建正则表达式格式插件配置类 260

 

版权声明头与代码格式 262

 

测试配置 262

 

解决配置问题 263

 

排查问题 264

 

创建格式插件类 264

 

创建测试文件 267

 

配置RAT 267

 

高效调试 267

 

创建单元测试 268

 

Drill 是如何找到插件的 270

 

记录读取器 270

 

测试读取器的壳 273

 

日志 274

 

出错处理 274

 

初始化 275

 

解析正则表达式 276

 

定义列名 276

 

投影 277

 

记录列投影映射 278

 

空投影 278

 

全投影 279

 

部分投影 279

 

打开文件 281

 

记录批 282

 

Drill 的列存结构 282

 

定义向量 283

 

读取数据 284

 

把数据放入向量 285

 

释放资源 286

 

测试读取器 286

 

测试通配符场景 286

 

测试显式投影 288

 

测试空投影288

 

扩展 288

 

其他细节 290

 

文件块 290

 

默认格式配置 290

 

下一步 292

 

生产版本 292

 

给Drill 贡献代码：使用Pull Request 292

 

维护你的分支 293

 

创建插件项目 293

 

小结 294

 

第13 章 特殊用法  296

 

查找在特定区域拍摄的照片 296

 

分析Excel 文件 297

 

pomxml 文件 298

 

Excel 自定义记录读取器 299

 

使用Excel 格式插件 303

 

用Drill 分析网络数据包（PCAP 文件） 304

 

查询PCAP 数据文件的例子 304

 

使用Drill 分析Twitter 数据 308

 

在机器学习流程中使用Drill 309

 

通过Drill 进行预测 310

 

建立与序列化模型 310

 

编写UDF 封装类  311

 

通过UDF 进行预测 313

 

小结 313

 

附录A Drill 函数列表  315

 

附录B Drill 格式化字符串  331