大数据技术原理与应用-概念.存储.处理.分析与应用-第2版

**篇 大数据基础



第1章　大数据概述　2

1.1　大数据时代　2

1.1.1　第三次信息化浪潮　2

1.1.2　信息科技为大数据时代提供

技术支撑　3

1.1.3　数据产生方式的变革促成大数据时代的来临　5

1.1.4　大数据的发展历程　6

1.2　大数据的概念　7

1.2.1　数据量大　7

1.2.2　数据类型繁多　8

1.2.3　处理速度快　9

1.2.4　价值密度低　9

1.3　大数据的影响　9

1.3.1　大数据对科学研究的影响　10

1.3.2　大数据对思维方式的影响　11

1.3.3　大数据对社会发展的影响　11

1.3.4　大数据对就业市场的影响　12

1.3.5　大数据对人才培养的影响　13

1.4　大数据的应用　14

1.5　大数据关键技术　14

1.6　大数据计算模式　15

1.6.1　批处理计算　16

1.6.2　流计算　16

1.6.3　图计算　16

1.6.4　查询分析计算　17

1.7　大数据产业　17

1.8　大数据与云计算、物联网　18

1.8.1　云计算　18

1.8.2　物联网　21

1.8.3　大数据与云计算、物联网的关系　25

1.9　本章小结　26

1.10　习题　26

第2章　大数据处理架构Hadoop　28

2.1　概述　28

2.1.1　Hadoop简介　28

2.1.2　Hadoop的发展简史　28

2.1.3　Hadoop的特性　29

2.1.4　Hadoop的应用现状　29

2.1.5　Hadoop的版本　30

2.2　Hadoop生态系统　30

2.2.1　HDFS　31

2.2.2　HBase　31

2.2.3　MapReduce　31

2.2.4　Hive　32

2.2.5　Pig　32

2.2.6　Mahout　32

2.2.7　Zookeeper　32

2.2.8　Flume　32

2.2.9　Sqoop　32

2.2.10　Ambari　33

2.3　Hadoop的安装与使用　33

2.3.1　创建Hadoop用户　33

2.3.2　Java的安装　34

2.3.3　SSH登录权限设置　34

2.3.4　安装单机Hadoop　34

2.3.5　Hadoop伪分布式安装　35

2.4　本章小结　37

2.5　习题　38

实验1　安装Hadoop　38



第二篇　大数据存储与管理



第3章　分布式文件系统HDFS　42

3.1　分布式文件系统　42

3.1.1　计算机集群结构　42

3.1.2　分布式文件系统的结构　43

3.1.3　分布式文件系统的设计需求　44

3.2　HDFS简介　44

3.3　HDFS的相关概念　45

3.3.1　块　45

3.3.2　名称节点和数据节点　46

3.3.3　第二名称节点　47

3.4　HDFS体系结构　48

3.4.1　概述　48

3.4.2　HDFS命名空间管理　49

3.4.3　通信协议　49

3.4.4　客户端　50

3.4.5　HDFS体系结构的局限性　50

3.5　HDFS的存储原理　50

3.5.1　数据的冗余存储　50

3.5.2　数据存取策略　51

3.5.3　数据错误与恢复　52

3.6　HDFS的数据读写过程　53

3.6.1　读数据的过程　53

3.6.2　写数据的过程　54

3.7　HDFS编程实践　55

3.7.1　HDFS常用命令　55

3.7.2　HDFS的Web界面　56

3.7.3　HDFS常用Java API及应用实例　57

3.8　本章小结　60

3.9　习题　61

实验2　熟悉常用的HDFS操作　61

第4章　分布式数据库HBase　63

4.1　概述　63

4.1.1　从BigTable说起　63

4.1.2　HBase简介　63

4.1.3　HBase与传统关系数据库的

对比分析　64

4.2　HBase访问接口　65

4.3　HBase数据模型　66

4.3.1　数据模型概述　66

4.3.2　数据模型的相关概念　66

4.3.3　数据坐标　67

4.3.4　概念视图　68

4.3.5　物理视图　69

4.3.6　面向列的存储　69

4.4　HBase的实现原理　71

4.4.1　HBase的功能组件　71

4.4.2　表和Region　71

4.4.3　Region的定位　72

4.5　HBase运行机制　74

4.5.1　HBase系统架构　74

4.5.2　Region服务器的工作原理　76

4.5.3　Store的工作原理　77

4.5.4　HLog的工作原理　77

4.6　HBase编程实践　78

4.6.1　HBase常用的Shell命令　78

4.6.2　HBase常用的Java API及

应用实例　80

4.7　本章小结　90

4.8　习题　90

实验3　熟悉常用的HBase操作　91

第5章　NoSQL数据库　94

5.1　NoSQL简介　94

5.2　NoSQL兴起的原因　95

5.2.1　关系数据库无法满足

Web　2.0的需求　95

5.2.2　关系数据库的关键特性在Web 2.0时代成为“鸡肋”　96

5.3　NoSQL与关系数据库的比较　97

5.4　NoSQL的四大类型　98

5.4.1　键值数据库　99

5.4.2　列族数据库　100

5.4.3　文档数据库　100

5.4.4　图数据库　101

5.5　NoSQL的三大基石　101

5.5.1　CAP　101

5.5.2　BASE　103

5.5.3　*终一致性　104

5.6　从NoSQL到NewSQL数据库　105

5.7　本章小结　107

5.8　习题　107

第6章　云数据库　108

6.1　云数据库概述　108

6.1.1　云计算是云数据库兴起的基础　108

6.1.2　云数据库的概念　109

6.1.3　云数据库的特性　110

6.1.4　云数据库是个性化数据

存储需求的理想选择　111

6.1.5　云数据库与其他数据库的关系　112

6.2　云数据库产品　113

6.2.1　云数据库厂商概述　113

6.2.2　Amazon的云数据库产品　113

6.2.3　Google的云数据库产品　114

6.2.4　微软的云数据库产品　114

6.2.5　其他云数据库产品　115

6.3　云数据库系统架构　115

6.3.1　UMP系统概述　115

6.3.2　UMP系统架构　116

6.3.3　UMP系统功能　118

6.4　云数据库实践　121

6.4.1　阿里云RDS简介　121

6.4.2　RDS中的概念　121

6.4.3　购买和使用RDS数据库　122

6.4.4　将本地数据库迁移到云端RDS

数据库　126

6.5　本章小结　127

6.6　习题　127

实验4　熟练使用RDS for MySQL

数据库　128



第三篇　大数据处理与分析



第7章　MapReduce　132

7.1　概述　132

7.1.1　分布式并行编程　132

7.1.2　MapReduce模型简介　133

7.1.3　Map和Reduce函数　133

7.2　MapReduce的工作流程　134

7.2.1　工作流程概述　134

7.2.2　MapReduce的各个执行阶段　135

7.2.3　Shuffle过程详解　136

7.3　实例分析：WordCount　139

7.3.1　WordCount的程序任务　139

7.3.2　WordCount的设计思路　139

7.3.3　WordCount的具体执行过程　140

7.3.4　一个WordCount执行过程的

实例　141

7.4　MapReduce的具体应用　142

7.4.1　MapReduce在关系代数运算中的应用　142

7.4.2　分组与聚合运算　144

7.4.3　矩阵-向量乘法　144

7.4.4　矩阵乘法　144

7.5　MapReduce编程实践　145

7.5.1　任务要求　145

7.5.2　编写Map处理逻辑　146

7.5.3　编写Reduce处理逻辑　147

7.5.4　编写main方法　147

7.5.5　编译打包代码以及运行程序　148

7.6　本章小结　150

7.7　习题　151

实验5　MapReduce编程初级实践　152

第8章　Hadoop再探讨　155

8.1　Hadoop的优化与发展　155

8.1.1　Hadoop的局限与不足　155

8.1.2　针对Hadoop的改进与提升　156

8.2　HDFS2.0的新特性　156

8.2.1　HDFS HA　157

8.2.2　HDFS联邦　158

8.3　新一代资源管理调度框架YARN　159

8.3.1　MapReduce1.0的缺陷　159

8.3.2　YARN设计思路　160

8.3.3　YARN体系结构　161

8.3.4　YARN工作流程　163

8.3.5　YARN框架与MapReduce1.0

框架的对比分析　164

8.3.6　YARN的发展目标　165

8.4　Hadoop生态系统中具有代表性的

功能组件　166

8.4.1　Pig　166

8.4.2　Tez　167

8.4.3　Kafka　169

8.5　本章小结　170

8.6　习题　170

第9章　Spark　172

9.1　概述　172

9.1.1　Spark简介　172

9.1.2　Scala简介　173

9.1.3　Spark与Hadoop的对比　174

9.2　Spark生态系统　175

9.3　Spark运行架构　177

9.3.1　基本概念　177

9.3.2　架构设计　177

9.3.3　Spark运行基本流程　178

9.3.4　RDD的设计与运行原理　179

9.4　Spark的部署和应用方式　184

9.4.1　Spark三种部署方式　184

9.4.2　从“Hadoop Storm”架构转向

Spark架构　185

9.4.3　Hadoop和Spark的统一部署　186

9.5　Spark编程实践　186

9.5.1　启动Spark Shell　187

9.5.2　Spark RDD基本操作　187

9.5.3　Spark应用程序　189

9.6　本章小结　192

9.7　习题　193

第10章　流计算　194

10.1　流计算概述　194

10.1.1　静态数据和流数据　194

10.1.2　批量计算和实时计算　195

10.1.3　流计算的概念　196

10.1.4　流计算与Hadoop　196

10.1.5　流计算框架　197

10.2　流计算的处理流程　197

10.2.1　概述　197

10.2.2　数据实时采集　198

10.2.3　数据实时计算　198

10.2.4　实时查询服务　199

10.3　流计算的应用　199

10.3.1　应用场景1：实时分析　199

10.3.2　应用场景2：实时交通　200

10.4　开源流计算框架Storm　200

10.4.1　Storm简介　201

10.4.2　Storm的特点　201

10.4.3　Storm的设计思想　202

10.4.4　Storm的框架设计　203

10.4.5　Storm实例　204

10.5　Spark Streaming　206

10.5.1　Spark Streaming设计　206

10.5.2　Spark Streaming与Storm的

对比　207

10.6　本章小结　208

10.7　习题　208

第11章　图计算　210

11.1　图计算简介　210

11.1.1　传统图计算解决方案的

不足之处　210

11.1.2　图计算通用软件　211

11.2　Pregel简介　211

11.3　Pregel图计算模型　212

11.3.1　有向图和顶点　212

11.3.2　顶点之间的消息传递　212

11.3.3　Pregel的计算过程　213

11.3.4　实例　214

11.4　Pregel的C API　216

11.4.1　消息传递机制　217

11.4.2　Combiner　217

11.4.3　Aggregator　218

11.4.4　拓扑改变　218

11.4.5　输入和输出　218

11.5　Pregel的体系结构　219

11.5.1　Pregel的执行过程　219

11.5.2　容错性　220

11.5.3　Worker　221

11.5.4　Master　221

11.5.5　Aggregator　222

11.6　Pregel的应用实例　222

11.6.1　单源*短路径　222

11.6.2　二分匹配　223

11.7　Pregel和MapReduce实现PageRank算法的对比　224

11.7.1　PageRank算法　224

11.7.2　PageRank算法在Pregel中的

实现　225

11.7.3　PageRank算法在MapReduce

中的实现　225

11.7.4　PageRank算法在Pregel

和MapReduce中实现的比较　228

11.8　本章小结　228

11.9　习题　228

第12章　数据可视化　230

12.1　可视化概述　230

12.1.1　什么是数据可视化　230

12.1.2　可视化的发展历程　230

12.1.3　可视化的重要作用　231

12.2　可视化工具　233

12.2.1　入门级工具　233

12.2.2　信息图表工具　234

12.2.3　地图工具　235

12.2.4　时间线工具　236

12.2.5　高级分析工具　236

12.3　可视化典型案例　237

12.3.1　全球黑客活动　237

12.3.2　互联网地图　237

12.3.3　编程语言之间的影响力关系图　238

12.3.4　百度迁徙　239

12.3.5　世界国家健康与财富之间的

关系　239

12.3.6　3D可视化互联网地图APP　239

12.4　本章小结　240

12.5　习题　240



第四篇　大数据应用



第13章　大数据在互联网领域的

应用　242

13.1　推荐系统概述　242

13.1.1　什么是推荐系统　242

13.1.2　长尾理论　243

13.1.3　推荐方法　243

13.1.4　推荐系统模型　244

13.1.5　推荐系统的应用　244

13.2　协同过滤　245

13.2.1　基于用户的协同过滤　245

13.2.2　基于物品的协同过滤　246

13.2.3　UserCF算法和ItemCF算法的

对比　248

13.3　协同过滤实践　248

13.3.1　实践背景　248

13.3.2　数据处理　249

13.3.3　计算相似度矩阵　249

13.3.4　计算推荐结果　250

13.3.5　展示推荐结果　250

13.4　本章小结　251

13.5　习题　251

第14章　大数据在生物医学

领域的应用　252

14.1　流行病预测　252

14.1.1　传统流行病预测机制的不足　252

14.1.2　基于大数据的流行病预测　253

14.1.3　基于大数据的流行病预测的

重要作用　253

14.1.4　案例：百度疾病预测　254

14.2　智慧医疗　255

14.3　生物信息学　256

14.4　案例：基于大数据的综合健康服务

平台　257

14.4.1　平台概述　257

14.4.2　平台业务架构　258

14.4.3　平台技术架构　258

14.4.4　平台关键技术　259

14.5　本章小结　260

14.6　习题　261

第15章　大数据的其他应用　262

15.1　大数据在物流领域中的应用　262

15.1.1　智能物流的概念　262

15.1.2　智能物流的作用　263

15.1.3　智能物流的应用　263

15.1.4　大数据是智能物流的关键　263

15.1.5　中国智能物流骨干网—菜鸟　264

15.2　大数据在城市管理中的应用　266

15.2.1　智能交通　266

15.2.2　环保监测　267

15.2.3　城市规划　268

15.2.4　安防领域　269

15.3　大数据在金融行业中的应用　269

15.3.1　高频交易　269

15.3.2　市场情绪分析　269

15.3.3　信贷风险分析　270

15.4　大数据在汽车行业中的应用　271

15.5　大数据在零售行业中的应用　272

15.5.1　发现关联购买行为　272

15.5.2　客户群体细分　273

15.5.3　供应链管理　273

15.6　大数据在餐饮行业中的应用　274

15.6.1　餐饮行业拥抱大数据　274

15.6.2　餐饮O2O　274

15.7　大数据在电信行业中的应用　276

15.8　大数据在能源行业中的应用　276

15.9　大数据在体育和娱乐领域中的

应用　277

15.9.1　训练球队　277

15.9.2　投拍影视作品　278

15.9.3　预测比赛结果　279

15.10　大数据在安全领域中的应用　280

15.10.1　大数据与国家安全　280

15.10.2　应用大数据技术防御

网络攻击　280

15.10.3　警察应用大数据工具

预防犯罪　281

15.11　大数据在政府领域中的应用　282

15.12　大数据在日常生活中的应用　283

15.13　本章小结　284

15.14　习题　284

参考文献　285