大数据开发者权威教程:NOSQL HADOOP组件及大数据实施

目　录



模块1　额外的Hadoop工具：ZooKeeper、Sqoop、Flume、YARN和Storm



第1讲　用ZooKeeper进行分布式处理协调　3

1.1　ZooKeeper简介　4

1.1.1　ZooKeeper的好处　4

1.1.2　ZooKeeper术语　6

1.1.3　ZooKeeper命令行界面（CLI）　7

1.2　安装和运行ZooKeeper　9

1.2.1　支持的平台　9

1.2.2　所需的软件　9

1.2.3　单服务器的安装　9

1.3　使用ZooKeeper　10

1.4　ZooKeeper应用程序　12

1.4.1　FS爬取　13

1.4.2　Katta　14

1.4.3　Yahoo!消息代理（YMB）　14

1.5　使用ZooKeeper构建应用程序　15

1.5.1　Exec.java　15

1.5.2　处理事件　17

1.5.3　监控数据　19

1.5.4　实现屏障和生产者-消费者队列　22

练习　30

备忘单　33

第2讲　利用Sqoop有效地传输批量数据　34

2.1　Sqoop简介　35

2.1.1　Sqoop中的工作流　36

2.1.2　Sqoop的特性　36

2.2　使用Sqoop 1　37

2.3　用Sqoop导入数据　41

2.3.1　导入完整的表　41

2.3.2　用HBase Sqoop导入带有复合键的表　42

2.3.3　指定目标目录　43

2.3.4　导入选择的行　43

2.3.5　密码保护　44

2.3.6　用不同的文件格式导入数据　44

2.3.7　导入数据压缩　45

2.4　控制并行　45

2.5　编码NULL值　47

2.6　将数据导入Hive表　47

2.7　将数据导入HBase　47

2.7.1　使用自由形式查询　48

2.7.2　重命名Sqoop作业　48

2.8　导出数据　49

2.8.1　批量导出　50

2.8.2　原子导出　50

2.9　将数据导出至列的子集　50

2.10　Sqoop中的驱动程序和连接器　51

2.10.1　驱动程序　51

2.10.2　连接器　52

2.10.3　连接到数据库　52

2.11　Sqoop架构概览　54

2.12　Sqoop 2　55

2.12.1　Sqoop 2的优势　56

2.12.2　易于扩展　56

2.12.3　安全　57

练习　58

备忘单　60

第3讲　Flume　62

3.1　Flume简介　63

3.1.1　Flume架构　64

3.1.2　流可靠性　66

3.2　Flume配置文件　66

3.2.1　流定义　67

3.2.2　配置单个组件　67

3.2.3　在代理中添加多个流　68

3.2.4　配置多代理流　69

3.2.5　配置流扇出　70

3.3　设置Flume　71

3.3.1　安装Flume　71

3.3.2　配置Flume代理　72

3.3.3　数据消费　74

3.4　构建Flume　77

3.4.1　获得源点　77

3.4.2　编译/测试Flume　77

3.4.3　开发自定义组件　77

练习　90

备忘单　92

第4讲　超越MapReduce—YARN　94

4.1　YARN简介　95

4.2　为什么用YARN　96

4.2.1　提高可扩展性　96

4.2.2　效率　97

4.2.3　集群共享　97

4.3　YARN生态系统　98

4.3.1　YARN架构　99

4.3.2　资源　100

4.3.3　资源管理器　101

4.3.4　ApplicationMaster　103

4.3.5　YARN的局限性　106

4.4　YARN API例子　107

4.4.1　YARN应用程序剖析　107

4.4.2　客户端　108

4.4.3　把它们整合到一起　115

4.5　Mesos和YARN的比较　116

4.5.1　Mesos简介　116

4.5.2　Mesos和Hadoop　118

练习　120

备忘单　122

第5讲　Storm on YARN　124

5.1　Storm和Hadoop　125

5.2　Storm简介　126

5.2.1　Storm架构　126

5.2.2　Storm应用剖析　129

5.3　Storm API　132

5.3.1　spout　132

5.3.2　bolt　134

5.4　Storm on YARN　134

5.4.1　Storm on YARN架构　135

5.4.2　Storm on YARN的局限性　136

5.5　安装Storm on YARN　136

5.5.1　先决条件　136

5.5.2　安装步骤　137

5.5.3　排错　138

5.5.4　管理YARN on Storm　138

5.6　Storm on YARN的例子　139

5.6.1　传感器数据spout　139

5.6.2　仪表盘bolt　140

5.6.3　HDFS日志记录器bolt　142

5.6.4　主程序　144

5.6.5　运行示例　146

练习　148

备忘单　151



模块2　利用NoSQL和Hadoop：实时、安全和云



第1讲　Hello NoSQL　155

1.1　看两个简单的例子　156

1.1.1　持久化偏好数据的一个简单集合——MongoDB　156

1.1.2　存储汽车品牌和型号数据——Apache Cassandra　162

1.2　利用语言绑定进行工作　171

1.2.1　MongoDB的驱动程序　171

1.2.2　初识Thrift　174

1.3　存储和访问数据　177

1.4　在MongoDB中存储和访问数据　178

1.5　在HBase中存储和访问数据　185

1.6　在Apache Cassandra中存储和访问数据　189

1.7　NoSQL数据存储的语言绑定　191

1.7.1　用Thrift进行诊断　191

1.7.2　Java的语言绑定　191

1.7.3　PHP的语言绑定　194

练习　195

备忘单　198

第2讲　使用NoSQL　199

2.1　创建记录　200

2.2　访问数据　213

2.2.1　访问来自MongoDB的文档　213

2.2.2　访问来自HBase的数据　214

2.2.3　查询Redis　215

2.3　更新和删除数据　216

2.4　MongoDB查询语言的能力　217

2.4.1　加载MovieLens数据　219

2.4.2　获取评级数据　221

2.4.3　MongoDB中的MapReduce　224

2.5　访问来自HBase这样的面向列的数据库的数据　228

练习　230

备忘单　234

第3讲　Hadoop安全　236

3.1　Hadoop安全挑战　238

3.2　认证　239

3.2.1　Kerberos认证　239

3.2.2　Kerberos RPC　244

3.2.3　基于Web的控制台的Kerberos　245

3.3　委托安全凭证　248

3.4　授权　253

3.4.1　HDFS文件权限　253

3.4.2　服务级别授权　257

3.4.3　作业授权　260

练习　261

备忘单　263

第4讲　在AWS上运行Hadoop应用程序　265

4.1　开始了解AWS　266

4.2　在AWS上运行Hadoop的选项　267

4.2.1　使用EC2实例的自定义安装　267

4.2.2　弹性MapReduce　268

4.3　了解EMR-Hadoop的关系　269

4.3.1　EMR架构　270

4.3.2　使用S3存储　271

4.3.3　*大化地利用EMR　272

4.3.4　使用CloudWatch和其他AWS组件　274

4.3.5　访问和使用EMR　274

4.4　使用AWS S3　280

4.4.1　了解桶的用法　280

4.4.2　利用控制台的内容浏览　282

4.4.3　编程访问S3中的文件　283

4.4.4　使用MapReduce上传多个文件至S3　294

4.5　自动化EMR作业流的创建和作业执行　296

4.6　组织协调EMR中作业的执行　301

4.6.1　使用EMR集群上的Oozie　301

4.6.2　AWS简单工作流　303

4.6.3　AWS数据管道　304

练习　306

备忘单　309

第5讲　实时Hadoop　311

5.1　实时Hadoop应用　312

5.2　使用HBase实现实时应用　313

5.2.1　将HBase用作照片管理系统　315

5.2.2　将HBase用作Lucene的后端　322

5.3　使用专门的实时Hadoop查询系统　342

5.3.1　Apache Drill　344

5.3.2　Impala　345

5.3.3　将实时查询系统与MapReduce比较　347

5.4　使用基于Hadoop的事件处理系统　347

5.4.1　HFlame　348

5.4.2　Storm　350

5.4.3　将事件处理与MapReduce作比较　352

练习　353

备忘单　356



模块3　Hadoop商业发行版和管理工具



第1讲　大数据简介　359

1.1　Cloudera基础　360

1.1.1　包含Apache Hadoop的Cloudera发行版　360

1.1.2　Cloudera管理器　361

1.1.3　Cloudera标准版　362

1.1.4　Cloudera企业版　363

1.2　Cloudera管理器简介　365

1.3　Cloudera管理器的管理控制台　367

1.3.1　启动并登录管理控制台　370

1.3.2　主页　370

1.4　添加和管理服务　371

1.4.1　添加新服务　371

1.4.2　启动服务　372

1.4.3　停止服务　372

1.4.4　重启服务　373

1.5　使用Cloudera管理器的业务案例　373

1.6　Cloudera管理器的安装要求　374

练习　375

备忘单　377

第2讲　Cloudera上的Hive和Cloudera管理　379

2.1　Apache Hive简介　380

2.1.1　Hive特性　380

2.1.2　HiveQL　380

2.2　Hive服务　381

2.2.1　Hive元数据服务器　382

2.2.2　Hive网关　382

2.2.3　升级Cloudera管理器　382

2.3　为Hive元存储配置模式　383

2.3.1　嵌入模式　383

2.3.2　本地模式　384

2.3.3　远程模式　385

2.4　配置Hive元存储　386

2.4.1　Red Hat操作系统　386

2.4.2　SLES操作系统　388

2.4.3　Debian/Ubuntu操作系统　388

2.5　为Hive设置Cloudera Manager 4.5　389

2.6　Hive复制　391

练习　394

备忘单　396

第3讲　Hortonworks和Greenplum Pivotal HD　397

3.1　Hortonworks数据平台　398

3.1.1　核心服务　400

3.1.2　数据服务　400

3.1.3　操作服务　401

3.2　系统需求和环境　402

3.2.1　系统需求　402

3.2.2　构建一个受支持的环境　404

3.3　安装HDP　405

3.4　使用Talend Open Studio　409

3.4.1　安装Talend Open Studio　410

3.4.2　将数据导入Talend Open Studio　411

3.4.3　执行数据分析　413

3.5　Greenplum Pivotal HD　417

练习　420

备忘单　422

第4讲　IBM InfoSphere BigInsights和MapR　424

4.1　InfoSphere BigInsights简介　425

4.1.1　Apache Hadoop发行版的InfoSphere BigInsights组件　426

4.1.2　额外的Hadoop技术　427

4.1.3　文本分析　428

4.1.4　IBM Big SQL服务器　428

4.1.5　InfoSphere BigInsights控制台　428

4.1.6　InfoSphere BigInsights的Eclipse工具　429

4.2　安装准备　430

4.2.1　复核系统需求　431

4.2.2　选择一个用户　431

4.2.3　配置浏览器　432

4.2.4　下载InfoSphere BigInsights　437

4.2.5　完成常见先决条件的任务　437

4.3　安装InfoSphere BigInsights　440

4.4　MapR简介　442

练习　445

备忘单　447

第5讲　应聘准备　449

5.1　大数据开发者需要的关键技术工具和框架　451

5.2　大数据开发者的工作角色和职责　452

5.3　大数据开发者职业机会领域　453