大数据Hadoop 3.X分布式处理实战

图书标准信息

• 作者 吴章勇 ；杨强
• 出版社 人民邮电出版社
• 出版时间 2020-04
• 版次 1
• ISBN 9787115524669
• 定价 79.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 370页
• 字数 478千字

【内容简介】

本书以实战开发为原则，以Hadoop 3.X生态系统内的主要大数据工具整合应用及项目开发为主线，通过Hadoop大数据开发中常见的11个典型模块和3个完整项目案例，详细介绍HDFS、MapReduce、HBase、Hive、Sqoop、Spark等主流大数据工具的整合使用。本书附带资源包括本书核心内容的教学视频，本书所涉及的源代码、参考资料等。 全书共14章，分为3篇，涵盖的主要内容有Hadoop及其生态组件伪分布式安装和完全分布式安装、分布式文件系统HDFS、分布式计算框架MapReduce、NoSQL数据库HBase、分布式数据仓库Hive、数据转换工具Sqoop、内存计算框架Spark、海量Web日志分析系统、电商商品推荐系统、分布式垃圾消息识别系统等。 本书内容丰富、案例典型、实用性强，适合各个层次希望学习大数据开发技术的人员阅读，尤其适合有一定Java 基础而要进行Hadoop应用开发的人员阅读。

【作者简介】

吴章勇，现任中软国际分公司技术总监，曾任阿里巴巴集团架构师，持有信息系统项目管理师高级证书；为培训公司策划大数据课程体系，主持开发过多个大数据项目，有15年以上开发和培训经验；录制过《Hadoop大数据技术》等经典在线教育视频课程。 杨强，现任中软国际项目总监，中软国际ETC CTO办公室高级技术顾问，移动增值数据服务项目经理，拥有10年大型软件项目开发及培训经验，对分布式及异构系统集成 有深入研究。参与主持多个大型项目并发表多篇重要论文。

【目录】

目 录

第一篇　Hadoop技术　1

第1章　大数据与Hadoop概述　03

1.1　大数据概述　03

1.1.1　大数据的定义　03

1.1.2　大数据行业的发展　04

1.1.3　大数据的典型应用　04

1.2　Hadoop概述　06

1.2.1　Hadoop简介　06

1.2.2　Hadoop生态子项目　07

1.2.3　Hadoop 3.X的新特性　09

1.3　小结　09

1.4　配套视频　10

第2章　Hadoop伪分布式安装　11

2.1　Hadoop伪分布式安装前的准备　11

2.1.1　安装VMware　11

2.1.2　安装CentOS 7　12

2.1.3　配置CentOS 7：接受协议　15

2.1.4　配置CentOS 7：登录系统　16

2.1.5　配置CentOS 7：设置IP　16

2.1.6　配置CentOS 7：修改主机名　17

2.1.7　配置CentOS 7：配置hosts文件　18

2.1.8　配置CentOS 7：关闭防火墙　18

2.1.9　配置CentOS 7：禁用selinux　19

2.1.10　配置CentOS 7：设置SSH免密码登录　19

2.1.11　配置CentOS 7：重启　20

2.2　Hadoop伪分布式安装　21

2.2.1　安装WinSCP　21

2.2.2　安装PieTTY　22

2.2.3　安装JDK　23

2.2.4　安装Hadoop　24

2.3　Hadoop验证　28

2.3.1　格式化　28

2.3.2　启动Hadoop　29

2.3.3　查看Hadoop相关进程　29

2.3.4　浏览文件　30

2.3.5　浏览器访问　30

2.4　小结　31

2.5　配套视频　31

第3章　Hadoop分布式文件系统——HDFS　32

3.1　HDFS原理　32

3.1.1　HDFS的假设前提和设计目标　32

3.1.2　HDFS的组件　33

3.1.3　HDFS数据复制　36

3.1.4　HDFS健壮性　36

3.1.5　HDFS数据组织　38

3.2　HDFS Shell　39

3.2.1　Hadoop文件操作命令　39

3.2.2　Hadoop系统管理命令　44

3.3　HDFS Java API　46

3.3.1　搭建Linux下Eclipse开发环境　46

3.3.2　为Eclipse安装Hadoop插件　47

3.3.3　HDFS Java API示例　49

3.4　小结　56

3.5　配套视频　56

第4章　分布式计算框架MapReduce　57

4.1　MapReduce原理　57

4.1.1　MapReduce概述　57

4.1.2　MapReduce的主要功能　59

4.1.3　MapReduce的处理流程　59

4.2　MapReduce编程基础　61

4.2.1　内置数据类型介绍　61

4.2.2　WordCount入门示例　63

4.2.3　MapReduce分区与自定义数据类型　67

4.3　MapReduce综合实例——数据去重　71

4.3.1　实例描述　71

4.3.2　设计思路　72

4.3.3　程序代码　73

4.3.4　运行结果　74

4.4　MapReduce综合实例——数据排序　75

4.4.1　实例描述　75

4.4.2　设计思路　76

4.4.3　程序代码　77

4.4.4　运行结果　79

4.5　MapReduce综合实例——求学生平均成绩　79

4.5.1　实例描述　79

4.5.2　设计思路　80

4.5.3　程序代码　81

4.5.4　运行结果　83

4.6　MapReduce综合实例——WordCount高级示例　84

4.7　小结　87

4.8　配套视频　87

第二篇　Hadoop 生态系统的主要大数据工具整合应用　89

第5章　NoSQL数据库HBase　91

5.1　HBase原理　91

5.1.1　HBase概述　91

5.1.2　HBase核心概念　92

5.1.3　HBase的关键流程　95

5.2　HBase伪分布式安装　97

5.2.1　安装HBase的前提条件　98

5.2.2　解压并配置环境变量　98

5.2.3　配置HBase参数　99

5.2.4　验证HBase　100

5.3　HBase Shell　103

5.3.1　HBase Shell常用命令　103

5.3.2　HBase Shell综合示例　109

5.3.3　HBase Shell的全部命令　112

5.4　小结　114

5.5　配套视频　114

第6章　HBase高级特性　115

6.1　HBase Java API　115

6.1.1　HBase Java API介绍　115

6.1.2　HBase Java API示例　120

6.2　HBase与MapReduce的整合　130

6.2.1　HBase与MapReduce的整合概述　130

6.2.2　HBase与MapReduce的整合示例　130

6.3　小结　134

6.4　配套视频　134

第7章　分布式数据仓库Hive　135

7.1　Hive概述　135

7.1.1　Hive的定义　135

7.1.2　Hive的设计特征　136

7.1.3　Hive的体系结构　136

7.2　Hive伪分布式安装　137

7.2.1　安装Hive的前提条件　137

7.2.2　解压并配置环境变量　138

7.2.3　安装MySQL　139

7.2.4　配置Hive　143

7.2.5　验证Hive　145

7.3　Hive QL的基础功能　146

7.3.1　操作数据库　146

7.3.2　创建表　147

7.3.3　数据准备　150

7.4　Hive QL的高级功能　153

7.4.1　select查询　154

7.4.2　函数　154

7.4.3　统计函数　154

7.4.4　distinct去除重复值　155

7.4.5　limit限制返回记录的条数　156

7.4.6　为列名取别名　156

7.4.7　case when then多路分支　156

7.4.8　like模糊查询　157

7.4.9　group by分组统计　157

7.4.10　having过滤分组统计结果　157

7.4.11　inner join内联接　158

7.4.12　left outer join和right outer join外联接　159

7.4.13　full outer join外部联接　159

7.4.14　order by排序　160

7.4.15　where查找　160

7.5　小结　161

7.6　配套视频　162

第8章　Hive高级特性　163

8.1　Beeline　163

8.1.1　使用Beeline的前提条件　163

8.1.2　Beeline的基本操作　164

8.1.3　Beeline的参数选项与管理命令　166

8.2　Hive JDBC　167

8.2.1　运行Hive JDBC的前提条件　167

8.2.2　Hive JDBC基础示例　167

8.2.3　Hive JDBC综合示例　169

8.3　Hive函数　174

8.3.1　内置函数　174

8.3.2　自定义函数　175

8.4　Hive表的高级特性　181

8.4.1　外部表　181

8.4.2　分区表　182

8.5　小结　185

8.6　配套视频　185

第9章　数据转换工具Sqoop　186

9.1　Sqoop概述与安装　186

9.1.1　Sqoop概述　186

9.1.2　Sqoop安装　187

9.2　Sqoop导入数据　189

9.2.1　更改MySQL的root用户密码　189

9.2.2　准备数据　190

9.2.3　导入数据到HDFS　191

9.2.4　查看HDFS数据　192

9.2.5　导入数据到Hive　193

9.2.6　查看Hive数据　193

9.3　Sqoop导出数据　194

9.3.1　准备MySQL表　194

9.3.2　导出数据到MySQL　194

9.3.3　查看MySQL中的导出数据　195

9.4　深入理解Sqoop的导入与导出　196

9.5　小结　203

9.6　配套视频　203

第10章　内存计算框架Spark　204

10.1　Spark入门　204

10.1.1　Spark概述　204

10.1.2　Spark伪分布式安装　205

10.1.3　由Java到Scala　209

10.1.4　Spark的应用　212

10.1.5　Spark入门示例　217

10.2　Spark Streaming　220

10.2.1　Spark Streaming概述　220

10.2.2　Spark Streaming示例　221

10.3　Spark SQL　224

10.3.1　Spark SQL概述　224

10.3.2　spark-sql命令　225

10.3.3　使用Scala操作Spark SQL　227

10.4　小结　228

10.5　配套视频　229

第11章　Hadoop及其常用组件集群安装　230

11.1　Hadoop集群安装　230

11.1.1　安装并配置CentOS　230

11.1.2　安装JDK　236

11.1.3　安装Hadoop　237

11.1.4　远程复制文件　241

11.1.5　验证Hadoop　242

11.2　HBase集群安装　244

11.2.1　解压并配置环境变量　244

11.2.2　配置HBase参数　245

11.2.3　远程复制文件　246

11.2.4　验证HBase　247

11.3　Hive集群安装　249

11.3.1　解压并配置环境变量　249

11.3.2　安装MySQL　250

11.3.3　配置Hive　252

11.3.4　验证Hive　254

11.4　Spark集群安装　254

11.4.1　安装Scala　254

11.4.2　安装Spark　254

11.4.3　配置Spark　255

11.4.4　远程复制文件　256

11.4.5　验证Spark　257

11.5　小结　259

11.6　配套视频　259

第三篇　实战篇　261

第12章　海量Web日志分析系统　263

12.1　案例介绍　263

12.1.1　分析Web日志数据的目的　263

12.1.2　Web日志分析的典型应用场景　265

12.1.3　日志的不确定性　265

12.2　案例分析　266

12.2.1　日志分析的KPI　267

12.2.2　案例系统结构　267

12.2.3　日志分析方法　268

12.3　案例实现　273

12.3.1　定义日志相关属性字段　273

12.3.2　数据合法标识（在分析时是否被过滤）　274

12.3.3　解析日志　274

12.3.4　日志合法性过滤　275

12.3.5　页面访问量统计的实现　276

12.3.6　页面独立IP访问量统计的实现　278

12.3.7　用户单位时间PV的统计实现　280

12.3.8　用户访问设备信息统计的实现　282

12.4　小结　283

12.5　配套视频　283

第13章　电商商品推荐系统　284

13.1　案例介绍　284

13.1.1　推荐算法　284

13.1.2　案例的意义　285

13.1.3　案例需求　285

13.2　案例设计　286

13.2.1　协同过滤　286

13.2.2　基于用户的协同过滤算法　289

13.2.3　基于物品的协同过滤算法　292

13.2.4　算法实现设计　295

13.2.5　推荐步骤与架构设计　298

13.3　案例实现　298

13.3.1　实现HDFS文件操作工具　299

13.3.2　实现任务步骤1：汇总用户对所有物品的评分信息　302

13.3.3　实现任务步骤2：获取物品同现矩阵　305

13.3.4　实现任务步骤3：合并同现矩阵和评分矩阵　307

13.3.5　实现任务步骤4：计算推荐结果　310

13.3.6　实现统一的任务调度　316

13.4　小结　317

13.5　配套视频　317

第14章　分布式垃圾消息识别系统　318

14.1　案例介绍　318

14.1.1　案例内容　318

14.1.2　案例应用的主体结构　319

14.1.3　案例运行结果　321

14.2　RPC远程方法调用的设计　322

14.2.1　Java EE的核心优势：RMI　322

14.2.2　RMI的基本原理　324

14.2.3　自定义RPC组件分析　325

14.3　数据分析设计　328

14.3.1　垃圾消息识别算法——朴素贝叶斯算法　328

14.3.2　进行分布式贝叶斯分类学习时的全局计数器　330

14.3.3　数据清洗分析结果存储　332

14.4　案例实现　333

14.4.1　自定义的RPC组件服务端相关实现　333

14.4.2　自定义的RPC组件客户端相关实现　342

14.4.3　业务服务器实现　347

14.4.4　业务客户端实现　367

14.5　小结　370

14.6　配套视频　370