HADOOP大数据开发实战

第1章　大数据概论　1

1.1　大数据的学习基础　1

1.2　大数据的背景　2

1.3　对大数据的不同认识　2

1.3.1　资深编程者眼中的大数据　2

1.3.2　营销者和学者眼中的大数据　3

1.3.3　商家看大数据　4

1.4　大数据的行业案例　4

1.4.1　电子地图　4

1.4.2　电子商务——用户画像　5

1.5　大数据的基本概念　6

1.5.1　两个核心　6

1.5.2　分布式存储　6

1.5.3　分布式计算　7

1.6　大数据技术生态圈　7

本章总结　8

本章习题　8

第2章　搭建Hadoop分布式集群　9

2.1　云平台　9

2.1.1　了解云平台　9

2.1.2　安装VMware软件　9

2.2　安装CentOS 6　10

2.2.1　安装CentOS 6　10

2.2.2　安装中的关键问题　15

2.2.3　克隆HadoopSlave和HadoopSlave1　16

2.2.4　安装SSH客户端传输软件　18

2.2.5　安装Xshell　20

2.3　Linux系统配置　23

2.4　Hadoop的配置部署　39

本章总结　47

本章习题　47

第3章　HDFS入门　48

3.1　Hadoop分布式文件系统HDFS　48

3.1.1　认识HDFS　48

3.1.2　HDFS的优势　49

3.1.3　HDFS局限性　50

3.1.4　HDFS特性　51

3.2　HDFS核心设计　52

3.2.1　数据块　53

3.2.2　数据块复制　53

3.2.3　数据块副本的存放策略　54

3.2.4　机架感知　55

3.2.5　数据块的备份数　56

3.2.6　安全模式　56

3.2.7　负载均衡　57

3.2.8　心跳机制　60

3.3　HDFS体系结构　60

3.3.1　主从架构　61

3.3.2　核心组件功能　61

3.3.3　数据块损坏处理　63

本章总结　64

本章习题　64

第4章　HDFS接口　65

4.1　HDFS命令行接口　65

4.2　HDFS Java接口　67

4.2.1　在Linux虚拟机中安装Eclipse　68

4.2.2　从Hadoop URL读取数据　69

4.2.3　使用FileSystem读取文件　70

4.2.4　FSDataInputStream对象随机读取　71

4.2.5　使用FileSystem写入数据　72

4.2.6　FSDataOutputStream对象批量写入　73

4.2.7　查询文件状态FileStatus　74

4.2.8　创建目录　75

4.2.9　删除文件与目录　76

本章总结　77

本章习题　77

第5章　HDFS的运行机制　78

5.1　HDFS中数据流的读写　78

5.1.1　RPC流程　78

5.1.2　RPC实现模型　79

5.1.3　RPC Client主要流程　81

5.1.4　RPC Server实现模型　82

5.1.5　文件读取　83

5.1.6　文件写入　84

5.2　HA机制　85

5.2.1　HDFS的HA机制　85

5.2.2　集群节点任务规划　87

5.2.3　初识ZooKeeper　87

5.2.4　安装部署ZooKeeper　89

5.2.5　格式化ZooKeeper集群　93

5.2.6　配置Hadoop　94

5.2.7　启动JournalNode共享存储集群　99

5.2.8　格式化ActiveNameNode　100

5.2.9　启动ZooKeeperFailoverController　101

5.2.10　启动ActiveNameNode　101

5.2.11　格式化StandbyNameNode　102

5.2.12　启动所有DataNode节点　102

5.2.13　验证HA的故障自动转移　103

5.3　Federation机制　105

5.3.1　初始HDFS Federation机制　105

5.3.2　HDFS Federation架构原理　106

本章总结　107

本章习题　107

第6章　Hadoop I/O流操作　108

6.1　数据完整性　108

6.1.1　数据发生错误　108

6.1.2　数据的检测　109

6.1.3　数据完整性机制　109

6.2　压缩　111

6.2.1　压缩格式　111

6.2.2　Hadoop中对压缩格式的实现Codec　111

6.2.3　压缩格式是否支持切分　114

6.3　序列化　114

6.3.1　序列化简介　114

6.3.2　反序列化　115

6.3.3　序列化的分布式应用　115

6.3.4　初识Hadoop序列化　115

6.3.5　Hadoop序列化实现　116

6.3.6　接口Comparable & Comparator与WritableComparable & WritableComparator　117

6.3.7　Writable类　123

6.4　基于文件的数据结构SequenceFile　125

本章总结　127

本章习题　127

第7章　初识MapReduce编程模型　128

7.1　MapReduce编程框架　128

7.1.1　函数式编程模型　128

7.1.2　MapReduce编程模型概念　129

7.1.3　MapReduce的设计目标　130

7.2　WordCount编程实例　130

7.2.1　案例需求　130

7.2.2　搭建开发环境Eclipse　131

7.2.3　代码实现　132

7.2.4　代码测试　135

7.2.5　案例剖析　139

7.3　Hadoop MapReduce架构　141

7.3.1　Hadoop MapReduce架构的基本概念　141

7.3.2　MapReduce架构核心组件　142

本章总结　144

本章习题　144

第8章　MapReduce应用编程开发　145

8.1　MapReduce编程开发　145

8.1.1　设计思路　145

8.1.2　搜索引擎数据处理实战　147

8.2　MapReduce在集群上的运作　152

8.2.1　打包作业　152

8.2.2　启动作业　154

8.2.3　通过WebUI查看Job状态　154

8.3　MapReduce的类型与格式　155

8.3.1　combiner函数　155

8.3.2　MapReduce框架Partitioner分区方法　157

8.3.3　MapReduce输入格式　158

本章总结　166

本章习题　166

第9章　MapReduce编程案例　167

9.1　数据去重　167

9.1.1　实例表述　167

9.1.2　设计思路　168

9.1.3　程序代码　168

9.1.4　代码结果　169

9.2　数据排序　170

9.2.1　实例表述　171

9.2.2　设计思路　171

9.2.3　程序代码　171

9.2.4　代码结果　173

9.3　平均成绩　174

9.3.1　实例表述　174

9.3.2　设计思路　175

9.3.3　程序代码　175

9.3.4　代码结果　177

9.4　多表关联　178

9.4.1　实例表述　178

9.4.2　设计思路　179

9.4.3　程序代码　179

9.4.4　代码结果　181

9.5　二次排序　182

9.5.1　实例描述　182

9.5.2　设计思路　182

9.5.3　程序代码　182

9.5.4　代码结果　185

本章总结　186

本章习题　186

第10章　MapReduce运行机制与YARN平台　187

10.1　剖析MapReduce作业运行机制　187

10.1.1　提交作业的方式　187

10.1.2　作业的运行组件　187

10.1.3　作业的运行解析　188

10.2　Shuffle和排序　190

10.2.1　Mapper端　190

10.2.2　Reducer端　193

10.2.3　MapReduce性能调优　196

10.3　任务的执行　197

10.4　作业的调度　199

10.4.1　先进先出调度器　199

10.4.2　公平调度器　199

10.4.3　计算能力调度器　200

10.5　YARN平台简介　200

10.5.1　YARN的诞生　200

10.5.2　YARN的工作原理　200

10.6　YARN平台架构　201

本章总结　204

本章习题　204

第11章　汽车销售数据统计分析项目　205

11.1　数据概况　205

11.2　项目实战　206

11.2.1　统计乘用车辆和商用车辆的数量和销售额分布　206

11.2.2　统计某年每个月的汽车销售数量的比例　208

11.2.3　统计某个月份各市区县的汽车销售的数量　210

11.2.4　用户数据市场分析——统计买车的男女比例　213

11.2.5　统计不同所有权、型号和类型汽车的销售数量　216

11.2.6　统计不同车型的用户的年龄和性别　218

11.2.7　统计分析不同车型销售数据　219

11.2.8　通过不同类型（品牌）汽车销售情况统计发动机型号和燃料种类　222

11.2.9　统计同排量不同品牌汽车的销售量　224

本章总结　226

本章习题　226