HAWQ数据仓库与数据挖掘实战

目 录 **部分 HAWQ技术解析 第1章 HAWQ概述 3 1.1 SQL-on-Hadoop 3 1.1.1 对SQL-on-Hadoop的期待 3 1.1.2 SQL-on-Hadoop的实现方式 4 1.2 HAWQ简介 6 1.2.1 历史与现状 7 1.2.2 功能特性 7 1.3 HAWQ系统架构 9 1.3.1 系统架构 10 1.3.2 内部架构 11 1.4 为什么选择HAWQ 12 1.4.1 常用SQL-on-Hadoop产品的不足 12 1.4.2 HAWQ的可行性 13 1.4.3 适合DBA的解决方案 18 1.5 小结 18 第2章 HAWQ安装部署 19 2.1 安装规划 19 2.1.1 选择安装介质 19 2.1.2 选择HAWQ版本 20 2.1.3 确认Ambari与HDP的版本兼容性 20 2.2 安装前准备 21 2.2.1 确认*小系统需求 21 2.2.2 准备系统安装环境 22 2.2.3 建立本地Repository 24 2.3 安装Ambari 25 2.4 安装HDP集群 27 2.5 安装HAWQ 29 2.6 启动与停止HAWQ 34 2.6.1 基本概念 34 2.6.2 操作环境 34 2.6.3 基本操作 36 2.7 小结 40 第3章 连接管理 41 3.1 配置客户端身份认证 41 3.2 管理角色与权限 45 3.2.1 HAWQ中的角色与权限 45 3.2.2 管理角色及其成员 46 3.2.3 管理对象权限 48 3.2.4 口令加密 49 3.3 psql连接HAWQ 50 3.4 Kettle连接HAWQ 52 3.5 连接常见问题 55 3.6 小结 56 第4章 数据库对象管理 57 4.1 创建和管理数据库 57 4.2 创建和管理表空间 61 4.3 创建和管理模式 65 4.4 创建和管理表 72 4.4.1 创建表 72 4.4.2 删除表 74 4.4.3 查看表对应的HDFS文件 74 4.5 创建和管理视图 76 4.6 管理其他对象 77 4.7 小结 78 第5章 分区表 79 5.1 HAWQ中的分区表 79 5.2 确定分区策略 80 5.3 创建分区表 81 5.3.1 范围分区与列表分区 81 5.3.2 多级分区 86 5.3.3 对已存在的非分区表进行分区 86 5.4 分区消除 87 5.5 分区表维护 91 5.6 小结 98 第6章 存储管理 99 6.1 数据存储选项 99 6.2 数据分布策略 103 6.2.1 数据分布策略概述 103 6.2.2 选择数据分布策略 104 6.2.3 数据分布用法 108 6.3 从已有的表创建新表 111 6.4 小结 117 第7章 资源管理 118 7.1 HAWQ资源管理概述 118 7.1.1 全局资源管理 118 7.1.2 HAWQ资源队列 119 7.1.3 资源管理器配置原则 119 7.2 配置独立资源管理器 120 7.3 整合YARN 123 7.4 管理资源队列 129 7.5 查询资源管理器状态 134 7.6 小结 137 第8章 数据管理 138 8.1 基本数据操作 138 8.2 数据装载与卸载 141 8.2.1 gpfdist协议及其外部表 141 8.2.2 基于Web的外部表 148 8.2.3 使用外部表装载数据 151 8.2.4 外部表错误处理 151 8.2.5 使用hawq load装载数据 152 8.2.6 使用COPY复制数据 155 8.2.7 卸载数据 157 8.2.8 hawq register 159 8.2.9 格式化数据文件 159 8.3 数据库统计 163 8.3.1 系统统计 163 8.3.2 统计配置 166 8.4 PXF 168 8.4.1 安装配置PXF 168 8.4.2 PXF profile 168 8.4.3 访问HDFS文件 170 8.4.4 访问Hive数据 174 8.4.5 访问JSON数据 186 8.4.6 向HDFS中写入数据 190 8.5 小结 194 第9章 过程语言 195 9.1 HAWQ内建SQL语言 195 9.2 PL/pgSQL函数 197 9.3 给HAWQ内部函数起别名 198 9.4 表函数 198 9.5 参数个数可变的函数 201 9.6 多态类型 202 9.7 UDF管理 205 9.8 UDF实例——递归树形遍历 207 9.9 小结 214 第10章 查询优化 215 10.1 HAWQ的查询处理流程 215 10.2 GPORCA查询优化器 217 10.2.1 GPORCA的改进 218 10.2.2 启用GPORCA 224 10.2.3 使用GPORCA需要考虑的问题 225 10.2.4 GPORCA的限制 227 10.3 性能优化 228 10.4 查询剖析 232 10.5 小结 238 第11章 高可用性 239 11.1 备份与恢复 239 11.1.1 备份方法 239 11.1.2 备份与恢复示例 242 11.2 高可用性 247 11.2.1 HAWQ高可用简介 247 11.2.2 Master节点镜像 248 11.2.3 HAWQ文件空间与HDFS高可用 251 11.2.4 HAWQ容错服务 260 11.3 小结 262 第二部分 HAWQ实战演练 第12章 建立数据仓库示例模型 265 12.1 业务场景 265 12.2 数据仓库架构 267 12.3 实验环境 268 12.4 HAWQ相关配置 269 12.5 创建示例数据库 273 12.5.1 在hdp4上的MySQL中创建源库对象并生成测试数据 273 12.5.2 创建目标库对象 275 12.5.3 装载日期维度数据 283 12.6 小结 284 第13章 初始ETL 285 13.1 用Sqoop初始数据抽取 285 13.1.1 覆盖导入 286 13.1.2 增量导入 286 13.1.3 建立初始抽取脚本 287 13.2 向HAWQ初始装载数据 288 13.2.1 数据源映射 288 13.2.2 确定SCD处理方法 288 13.2.3 实现代理键 289 13.2.4 建立初始装载脚本 289 13.3 建立初始ETL脚本 291 13.4 小结 293 第14章 定期ETL 294 14.1 变化数据捕获 294 14.2 创建维度表版本视图 296 14.3 创建时间戳表 297 14.4 用Sqoop定期数据抽取 298 14.5 建立定期装载HAWQ函数 298 14.6 建立定期ETL脚本 303 14.7 测试 303 14.7.1 准备测试数据 303 14.7.2 执行定期ETL脚本 304 14.7.3 确认ETL过程正确执行 305 14.8 动态分区滚动 307 14.9 准实时数据抽取 309 14.10 小结 317 第15章 自动调度执行ETL作业 318 15.1 Oozie简介 318 15.2 建立工作流前的准备 320 15.3 用Oozie建立定期ETL工作流 324 15.4 Falcon简介 328 15.5 用Falcon process调度Oozie工作流 329 15.6 小结 332 第16章 维度表技术 333 16.1 增加列 333 16.2 维度子集 342 16.3 角色扮演维度 348 16.4 层次维度 354 16.4.1 固定深度的层次 355 16.4.2 多路径层次 357 16.4.3 参差不齐的层次 359 16.5 退化维度 361 16.6 杂项维度 366 16.7 维度合并 374 16.8 分段维度 380 16.9 小结 386 第17章 事实表技术 387 17.1 周期快照 388 17.2 累积快照 394 17.3 无事实的事实表 404 17.4 迟到的事实 409 17.5 累积度量 416 17.6 小结 422 第18章 联机分析处理 423 18.1 联机分析处理简介 423 18.1.1 概念 423 18.1.2 分类 424 18.1.3 性能 426 18.2 联机分析处理实例 427 18.2.1 销售订单 427 18.2.2 行列转置 433 18.3 交互查询与图形化显示 440 18.3.1 Zeppelin简介 440 18.3.2 使用Zeppelin执行HAWQ查询 441 18.4 小结 448 第三部分 HAWQ数据挖掘 第19章 整合HAWQ与MADlib 451 19.1 MADlib简介 452 19.2 安装与卸载MADlib 455 19.3 MADlib基础 458 19.3.1 向量 458 19.3.2 矩阵 469 19.4 小结 484 第20章 奇异值分解 485 20.1 奇异值分解简介 485 20.2 MADlib奇异值分解函数 486 20.3 奇异值分解实现推荐算法 489 20.4 小结 501 第21章 主成分分析 502 21.1 主成分分析简介 502 21.2 MADlib的PCA相关函数 504 21.3 PCA应用示例 509 21.4 小结 513 第22章 关联规则方法 514 22.1 关联规则简介 514 22.2 Apriori算法 517 22.2.1 Apriori算法基本思想 517 22.2.2 Apriori算法步骤 518 22.3 MADlib的Apriori算法函数 518 22.4 Apriori应用示例 519 22.5 小结 524 第23章 聚类方法 525 23.1 聚类方法简介 525 23.2 k-means方法 526 23.2.1 基本思想 527 23.2.2 原理与步骤 527 23.2.3 k-means算法 527 23.3 MADlib的k-means相关函数 529 23.4 k-means应用示例 532 23.5 小结 537 第24章 回归方法 538 24.1 回归方法简介 538 24.2 Logistic回归 539 24.3 MADlib的Logistic回归相关函数 539 24.4 Logistic回归示例 542 24.5 小结 546 第25章 分类方法 547 25.1 分类方法简介 547 25.2 决策树 549 25.2.1 决策树的基本概念 549 25.2.2 决策树的构建步骤 549 25.3 MADlib的决策树相关函数 551 25.4 决策树示例 555 25.5 小结 561 第26章 图算法 562 26.1 图算法简介 562 26.2 单源*短路径 565 26.3 MADlib的单源*短路径相关函数 566 26.4 单源*短路径示例 567 26.5 小结 569 第27章 模型验证 570 27.1 交叉验证简介 570 27.2 MADlib的交叉验证相关函数 573 27.3 交叉验证示例 575 27.4 小结 578