Hadoop权威指南：大数据的存储与分析(第4版)

图书标准信息

• 作者 王海、华东、刘喻、吕粤海 译
• 出版社 清华大学出版社
• 出版时间 2017-07
• 版次 4
• ISBN 9787302465133
• 定价 148.00元
• 装帧 平装
• 开本 16开
• 纸张 纯质纸
• 页数 732页
• 字数 594千字
• 正文语种 简体中文

【内容简介】

　　本书结合理论和实践，由浅入深，全方位介绍了Hadoop这一高性能的海量数据处理和分析平台。全书5部分24章，第Ⅰ部分介绍Hadoop基础知识，主题涉及Hadoop、MapReduce、Hadoop分布式文件系统、YARN、Hadoop的I/O操作。第Ⅱ部分介绍MapReduce,主题包括MapReduce应用开发；MapReduce的工作机制、MapReduce的类型与格式、MapReduce的特性。第Ⅲ部分介绍Hadoop的运维，主题涉及构建Hadoop集群、管理Hadoop。第Ⅳ部分介绍Hadoop相关开源项目，主题涉及Avro、Parquet、Flume、Sqoop、Pig、Hive、Crunch、Spark、HBase、ZooKeeper。第Ⅴ部分提供了三个案例，分别来自医疗卫生信息技术服务商塞纳(Cerner)、微软的人工智能项目ADAM(一种大规模分布式深度学习框架)和开源项目Cascading(一个新的针对MapReduce的数据处理API)。

 

　　本书是一本专业、全面的Hadoop参考书和工具书，阐述了Hadoop生态圈的新发展和应用，程序员可以从中探索海量数据集的存储和分析，管理员可以从中了解Hadoop集群的安装和运维。

 

【作者简介】

　　作者简介

 

　　TomWhite是杰出的Hadoop专家之一。自2007年2月以来，TomWhite一直是ApacheHadoop的提交者(committer)，也是Apache软件基金会的成员。Tom是Cloudera的软件工程师，他是Cloudera的首批员工，对Apache和Cloudera做出了举足轻重的贡献。在此之前，他是一名独立的Hadoop顾问，帮助公司搭建、使用和扩展Hadoop。他是很多行业大会的专题演讲人，比如ApacheCon、OSCON和Strata。Tom在英国剑桥大学获得数学学士学位，在利兹大学获得科学哲学硕士学位。他目前与家人居住在威尔士。

 

　　译者简介

 

　　王海博士，解放军理工大学通信工程学院教授，博导，教研中心主任，长期从事无线自组网网络的设计与研发工作，主持国家自然科学基金、国家863计划课题等多项课题，近5年获军队科技进步二等奖1项，三等奖6项，作为di一发明人申请国家发明专利十余项，发表学术论文50余篇。

 

　　华东博士，现任南京医科大学计算机教研室教师，一直致力于计算机辅助教学的相关技术研究，陆续开发了人体解剖学网络自主学习考试平台、诊断学自主学习平台和面向执业医师考试的预约化考试平台等系统，并在各个学科得到广泛的使用，获得全国高等学校计算机课件评比一等奖和三等奖各一项。主编、副主编教材两部，获发明专利一项、软件著作权多项。

 

　　刘喻博士，长期从事软件开发、软件测试和软件工程化管理工作，目前任教于清华大学软件所。

 

　　吕粤海，长期从事军事通信网络技术研究与软件开发工作，先后通过华为光网络高级工程师认证、思科网络工程师认证。

 

【目录】

第Ⅰ部分Hadoop基础知识

 

第1章初识Hadoop3

 

1.1数据！数据！3

 

1.2数据的存储与分析5

 

1.3查询所有数据6

 

1.4不仅仅是批处理7

 

1.5相较于其他系统的优势8

 

1.6ApacheHadoop发展简史12

 

1.7本书包含的内容16

 

第2章关于MapReduce19

 

2.1气象数据集19

 

2.2使用Unix工具来分析数据21

 

2.3使用Hadoop来分析数据22

 

2.4横向扩展31

 

2.5HadoopStreaming37

 

第3章Hadoop分布式文件系统42

 

3.1HDFS的设计42

 

3.2HDFS的概念44

 

3.3命令行接口50

 

3.4Hadoop文件系统52

 

3.5Java接口56

 

3.6数据流68

 

3.7通过distcp并行复制76

 

第4章关于YARN78

 

4.1剖析YARN应用运行机制79

 

4.2YARN与MapReduce1相比82

 

4.3YARN中的调度85

 

4.4延伸阅读95

 

第5章Hadoop的I/O操作96

 

5.1数据完整性96

 

5.2压缩99

 

5.3序列化109

 

5.4基于文件的数据结构127

 

第Ⅱ部分关于MapReduce

 

第6章MapReduce应用开发141

 

6.1用于配置的API142

 

6.2配置开发环境144

 

6.3用MRUnit来写单元测试152

 

6.4本地运行测试数据156

 

6.5在集群上运行160

 

6.6作业调优174

 

6.7MapReduce的工作流176

 

第7章MapReduce的工作机制184

 

7.1剖析MapReduce作业运行

 

机制184

 

7.2失败191

 

7.3shuffle和排序195

 

7.4任务的执行201

 

第8章MapReduce的

 

类型与格式207

 

8.1MapReduce的类型207

 

8.2输入格式218

 

8.3输出格式236

 

第9章MapReduce的特性243

 

9.1计数器243

 

9.2排序252

 

9.3连接264

 

9.4边数据分布270

 

9.5MapReduce库类276

 

第Ⅲ部分Hadoop的操作

 

第10章构建Hadoop集群279

 

10.1集群规范280

 

10.2集群的构建和安装284

 

10.3Hadoop配置288

 

10.4安全性305

 

10.5利用基准评测程序测试

 

Hadoop集群311

 

第11章管理Hadoop314

 

11.1HDFS314

 

11.2监控327

 

11.3维护329

 

第Ⅳ部分Hadoop相关开源项目

 

第12章关于Avro341

 

12.1Avro数据类型和模式342

 

12.2内存中的序列化和

 

反序列化特定API347

 

12.3Avro数据文件349

 

12.4互操作性351

 

12.5模式解析352

 

12.6排列顺序354

 

12.7关于AvroMapReduce356

 

12.8使用AvroMapReduce

 

进行排序359

 

12.9其他语言的Avro362

 

第13章关于Parquet363

 

13.1数据模型364

 

13.2Parquet文件格式367

 

13.3Parquet的配置368

 

13.4Parquet文件的读/写369

 

13.5ParquetMapReduce374

 

第14章关于Flume377

 

14.1安装Flume378

 

14.2示例378

 

14.3事务和可靠性380

 

14.4HDFSSink382

 

14.5扇出385

 

14.6通过代理层分发387

 

14.7Sink组391

 

14.8Flume与应用程序的集成395

 

14.9组件编目395

 

14.10延伸阅读397

 

第15章关于Sqoop398

 

15.1获取Sqoop398

 

15.2Sqoop连接器400

 

15.3一个导入的例子401

 

15.4生成代码404

 

15.5深入了解数据库导入405

 

15.6使用导入的数据409

 

15.7导入大对象412

 

15.8执行导出414

 

15.9深入了解导出功能416

 

15.10延伸阅读419

 

第16章关于Pig420

 

16.1安装与运行Pig421

 

16.2示例425

 

16.3与数据库进行比较428

 

16.4PigLatin429

 

16.5用户自定义函数446

 

16.6数据处理操作455

 

16.7Pig实战465

 

16.8延伸阅读468

 

第17章关于Hive469

 

17.1安装Hive470

 

17.2示例472

 

17.3运行Hive473

 

17.4Hive与传统数据库相比480

 

17.5HiveQL483

 

17.6表488

 

17.7查询数据501

 

17.8用户定义函数508

 

17.9延伸阅读516

 

第18章关于Crunch517

 

18.1示例518

 

18.2Crunch核心API521

 

18.3管线执行537

 

18.4Crunch库545

 

18.5延伸阅读547

 

第19章关于Spark548

 

19.1安装Spark549

 

19.2示例549

 

19.3弹性分布式数据集555

 

19.4共享变量564

 

19.5剖析Spark作业运行机制565

 

19.6执行器和集群管理器570

 

19.7延伸阅读574

 

第20章关于HBase575

 

20.1HBase基础575

 

20.2概念576

 

20.3安装581

 

20.4客户端584

 

20.5创建在线查询应用589

 

20.6HBase和RDBMS的比较598

 

20.7Praxis601

 

20.8延伸阅读602

 

第21章关于ZooKeeper604

 

21.1安装和运行ZooKeeper605

 

21.2示例607

 

21.3ZooKeeper服务615

 

21.4使用ZooKeeper来构建

 

应用629

 

21.5生产环境中的ZooKeeper640

 

21.6延伸阅读643

 

第Ⅴ部分案例学习

 

第22章医疗公司塞纳(Cerner)

 

的可聚合数据647

 

22.1从多CPU到语义集成647

 

22.2进入ApacheCrunch648

 

22.3建立全貌649

 

22.4集成健康医疗数据651

 

22.5框架之上的可组合性654

 

22.6下一步655

 

第23章生物数据科学：

 

用软件拯救生命657

 

23.1DNA的结构659

 

23.2遗传密码：将DNA字符

 

转译为蛋白质660

 

22.3将DNA想象成源代码661

 

23.4人类基因组计划和参考

 

基因组663

 

22.5DNA测序和比对664

 

23.6ADAM，一个可扩展的

 

基因组分析平台666

 

23.7使用Avro接口描述语言进行

 

自然语言编程666

 

23.8使用Parquet进行面向列的

 

存取668

 

23.9一个简单例子：用Spark和

 

ADAM做k-mer计数669

 

23.10从个性化广告到个性化

 

医疗672

 

23.11联系我们673

 

第24章开源项目Cascading674

 

24.1字段、元组和管道675

 

24.2操作678

 

24.3Taps，Schemes和Flows680

 

24.4Cascading实践应用681

 

24.5灵活性684

 

24.6ShareThis中的Hadoop和

 

Cascading685

 

24.7总结689

 

附录A安装ApacheHadoop691

 

附录B关于CDH697

 

附录C准备NCDC气象数据699

 

附录D新版和旧版Java

 

MapReduceAPI702