CLOUDERA HADOOP大数据平台实战指南

目 录 第1章 大数据概述 1 1.1 大数据时代的数据特点 1 1.2 大数据时代的发展趋势——数据将成为资产 2 1.3 大数据时代处理数据理念的改变 3 1.3.1 要全体不要抽样 3 1.3.2 要效率不要绝对精确 3 1.3.3 要相关不要因果 4 1.4 大数据时代的关键技术 5 1.5 大数据时代的典型应用案例 5 1.5.1 塔吉特超市精准营销案例 5 1.5.2 谷歌流感趋势案例 6 1.5.3 证券行业案例 6 1.5.4 某运营商大数据平台案例 7 1.6 Hadoop概述和介绍 7 1.6.1 Hadoop 发展历史和应用现状 7 1.6.2 Hadoop 的特点 8 1.6.3 Hadoop 的生态系统 8 第2章 Cloudera大数据平台介绍 10 2.1 Cloudera简介 10 2.2 Cloudera的Hadoop发行版CDH简介 11 2.2.1 CDH概述 11 2.2.2 CDH和Apache Hadoop对比 12 2.3 Cloudera Manager大数据管理平台介绍 12 2.3.1 Cloudera Manager概述和整体架构 12 2.3.2 Cloudera Manager的基本核心功能 14 2.3.3 Cloudera Manager的高级功能 18 2.4 Cloudera平台参考部署架构 19 2.4.1 Cloudera的软件体系结构 19 2.4.2 群集硬件规划配置 19 2.4.3 Hadoop集群角色分配 21 2.4.4 网络拓扑 23 第3章 Cloudera Manager及CDH离线安装部署 25 3.1 安装前的准备工作 25 3.2 Cloudera Manager及CDH安装 30 3.3 添加其他大数据组件 35 第4章 分布式文件系统HDFS 37 4.1 HDFS简介 37 4.2 HDFS体系结构 38 4.2.1 HDFS 架构概述 38 4.2.2 HDFS命名空间管理 38 4.2.3 NameNode 39 4.2.4 SecondaryNameNode 39 4.3 HDFS 2.0新特性 41 4.3.1 HDFS HA 41 4.3.2 HDFS Federation 42 4.4 HDFS操作常用shell命令 43 4.4.1 HDFS目录操作和文件处理命令 43 4.4.2 HDFS的Web管理界面 44 4.4.3 dfsadmin管理维护命令 45 4.4.4 namenode命令 47 4.5 Java编程操作HDFS实践 47 4.6 HDFS 的参数配置和规划 49 4.7 使用Cloudera Manager启用HDFS HA 51 4.7.1 HDFS HA高可用配置 51 4.7.2 HDFS HA高可用功能测试 54 第5章 分布式计算框架MapReduce 57 5.1 MapReduce概述 57 5.2 MapReduce原理介绍 58 5.2.1 工作流程概述 58 5.2.2 MapReduce框架的优势 58 5.2.3 MapReduce执行过程 59 5.3 MapReduce编程——单词示例解析 59 5.4 MapReduce应用开发 60 5.4.1 配置MapReduce开发环境 60 5.4.2 编写和运行MapReduce程序 61 第6章 资源管理调度框架YARN 65 6.1 YARN产生背景 65 6.2 YARN框架介绍 66 6.3 YARN工作原理 67 6.4 YARN框架和MapReduce1.0框架对比 69 6.5 CDH集群的YARN参数调整 69 第7章 数据仓库Hive 72 7.1 Hive简介 72 7.2 Hive体系架构和应用场景 73 7.2.1 Hive体系架构 73 7.2.2 Hive应用场景 74 7.3 Hive的数据模型 75 7.3.1 内部表 75 7.3.2 外部表 75 7.3.3 分区表 75 7.3.4 桶 75 7.4 Hive实战操作 76 7.4.1 Hive内部表操作 77 7.4.2 Hive外部表操作 77 7.4.3 Hive分区表操作 79 7.4.4 桶表 80 7.4.5 Hive应用实例WordCount 82 7.4.6 UDF 84 7.5 基于Hive的应用案例 86 第8章 数据迁移工具Sqoop 88 8.1 Sqoop概述 88 8.2 Sqoop工作原理 89 8.3 Sqoop版本和架构 91 8.4 Sqoop实战操作 93 第9章 分布式数据库HBase 100 9.1 HBase概述 100 9.2 HBase数据模型 101 9.3 HBase生态地位和系统架构 101 9.3.1 HBase的生态地位解析 101 9.3.2 HBase系统架构 102 9.4 HBase运行机制 103 9.4.1 Region 103 9.4.2 Region Server工作原理 103 9.4.3 Store工作原理 104 9.5 HBase操作实战 104 9.5.1 HBase常用shell命令 104 9.5.2 HBase编程实践 107 9.5.3 HBase参数调优的案例分享 109 第10章 分布式协调服务ZooKeeper 111 10.1 ZooKeeper的特点 111 10.2 ZooKeeper的工作原理 112 10.2.1 基本架构 112 10.2.2 ZooKeeper实现分布式Leader节点选举 112 10.2.3 ZooKeeper配置文件重点参数详解 112 10.3 ZooKeeper典型应用场景 115 10.3.1 ZooKeeper实现HDFS的NameNode高可用HA 115 10.3.2 ZooKeeper实现HBase的HMaster高可用 116 10.3.3 ZooKeeper在Storm集群中的协调者作用 116 第11章 准实时分析系统Impala 118 11.1 Impala概述 118 11.2 Impala组件构成 119 11.3 Impala系统架构 119 11.4 Impala的查询处理流程 120 11.5 Impala和Hive的关系和对比 121 11.6 Impala安装 122 11.7 Impala入门实战操作 124 第12章 日志采集工具Flume 128 12.1 Flume概述 128 12.2 Flume体系结构 129 12.2.1 Flume外部结构 129 12.2.2 Flume的Event事件概念 130 12.2.3 Flume的Agent 130 12.3 Flume安装和集成 131 12.3.1 搭建Flume环境 131 12.3.2 Kafka与Flume集成 132 12.4 Flume操作实例介绍 132 12.4.1 例子概述 132 12.4.2 **步：配置数据流向 132 12.4.3 第二步：启动服务 133 12.4.4 第三步：新建空数据文件 133 12.4.5 第四步：运行flume-ng命令 133 12.4.6 第五步：运行命令脚本 134 12.4.7 *后一步：测试结果 134 第13章 分布式消息系统Kafka 135 13.1 Kafka架构设计 135 13.1.1 基本架构 135 13.1.2 基本概念 136 13.1.3 Kafka主要特点 136 13.2 Kafka原理解析 137 13.2.1 主要的设计理念 137 13.2.2 ZooKeeper在Kafka的作用 137 13.2.3 Kafka在ZooKeeper的执行流程 137 13.3 Kafka安装和部署 138 13.3.1 CDH5完美集成Kafka 138 13.3.2 Kafka部署模式和配置 139 13.4 Java操作Kafka消息处理实例 141 13.4.1 例子概述 141 13.4.2 **步：新建工程 141 13.4.3 第二步：编写代码 141 13.4.4 第三步：运行发送数据程序 142 13.4.5 *后一步：运行接收数据程序 143 13.5 Kafka与HDFS的集成 143 13.5.1 与HDFS集成介绍 143 13.5.2 与HDFS集成实例 144 13.5.3 **步：编写代码——发送数据 144 13.5.4 第二步：编写代码——接收数据 145 13.5.5 第三步：导出文件 146 13.5.6 第四步：上传文件 146 13.5.7 第五步：运行程序——发送数据 146 13.5.8 第六步：运行程序——接收数据 147 13.5.9 *后一步：查看执行结果 147 第14章 大数据ETL工具Kettle 148 14.1 ETL原理 148 14.1.1 ETL简介 148 14.1.2 ETL在数据仓库中的作用 149 14.2 Kettle简介 149 14.3 Kettle完整案例实战 150 14.3.1 案例介绍 150 14.3.2 *终效果 150 14.3.3 表说明 150 14.3.4 **步：准备数据库数据 151 14.3.5 第二步：新建转换 152 14.3.6 第三步：新建数据库连接 153 14.3.7 第四步：拖动表输入组件 153 14.3.8 第五步：设置属性——order表 154 14.3.9 第六步：设置属性——user表 155 14.3.10 第七步：拖动流查询并设置属性——流查询 155 14.3.11 第八步：设置属性——product表 156 14.3.12 第九步：连接组件 156 14.3.13 第十步：设置属性——文本输出 156 14.3.14 *后一步：运行程序并查看结果 157 14.4 Kettle调度和命令 158 14.4.1 通过页面调度 158 14.4.2 通过脚本调度 159 14.5 Kettle使用原则 161 第15章 大规模数据处理计算引擎Spark 162 15.1 Spark简介 162 15.1.1 使用背景 162 15.1.2 Spark特点 163 15.2 Spark架构设计 163 15.2.1 Spark整体架构 163 15.2.2 关键运算组件 164 15.2.3 RDD介绍 164 15.2.4 RDD操作 165 15.2.5 RDD依赖关系 166 15.2.6 RDD源码详解 167 15.2.7 Scheduler 168 15.2.8 Storage 168 15.2.9 Shuffle 169 15.3 Spark编程实例 170 15.3.1 实例概述 170 15.3.2 **步：编辑数据文件 170 15.3.3 第二步：编写程序 171 15.3.4 第三步：上传JAR文件 171 15.3.5 第四步：远程执行程序 172 15.3.6 *后一步：查看结果 172 15.4 Spark SQL实战 173 15.4.1 例子概述 173 15.4.2 **步：编辑数据文件 173 15.4.3 第二步：编写代码 174 15.4.4 第三步：上传文件到服务器 174 15.4.5 第四步：远程执行程序 174 15.4.6 *后一步：查看结果 175 15.5 Spark Streaming实战 175 15.5.1 例子概述 175 15.5.2 **步：编写代码 175 15.5.3 第二步：上传文件到服务器 176 15.5.4 第三步：远程执行程序 177 15.5.5 第四步：上传数据 177 15.5.6 *后一步：查看结果 177 15.6 Spark MLlib实战 178 15.6.1 例子步骤 178 15.6.2 **步：编写代码 178 15.6.3 第二步：上传文件到服务器 179 15.6.4 第三步：远程执行程序 179 15.6.5 第四步：上传数据 180 15.6.6 *后一步：查看结果 180 第16章 大数据全栈式开发语言Python 182 16.1 Python简介 182 16.2 Python安装和配置 183 16.2.1 Anaconda介绍 183 16.2.2 Anaconda下载 183 16.2.3 Anaconda安装 184 16.2.4 Anaconda包管理 185 16.2.5 PyCharm下载 185 16.2.6 PyCharm安装 185 16.2.7 PyCharm使用 187 16.3 Python入门 190 16.3.1 例子概述 190 16.3.2 **步：新建Python文件 190 16.3.3 第二步：设置字体大小 191 16.3.4 第三步：编写代码 191 16.3.5 第四步：执行程序 192 16.3.6 *后一步：改变输入 192 16.4 Python数据科学库pandas入门 193 16.4.1 例子概述 193 16.4.2 pandas包介绍 194 16.4.3 **步：打开Jupyter Notebook 194 16.4.4 第二步：导入包 194 16.4.5 第三步：定义数据集 195 16.4.6 第四步：过滤数据 195 16.4.7 *后一步：获取数据 196 16.5 Python绘图库matplotlib入门 197 16.5.1 例子概述 197 16.5.2 **步：新建一个Python文件 197 16.5.3 第二步：引入画图包 197 16.5.4 第三步：组织数据 198 16.5.5 第四步：画图 198 16.5.6 *后一步：查看结果 199 第17章 大数据实战案例：实时数据流处理项目 200 17.1 项目背景介绍 200 17.2 业务需求分析 200 17.3 项目技术架构 201 17.4 项目技术组成 202 17.5 项目实施步骤 202 17.5.1 **步：运用Kafka产生数据 202 17.5.2 第二步：运用Spark接收数据 208 17.5.3 第三步：安装Redis软件 211 17.5.4 第四步：准备程序运行环境 214 17.5.5 第五步：远程执行Spark程序 216 17.5.6 第六步：编写Python实现可视化 218 17.5.7 *后一步：执行Python程序 221 17.6 项目总结 222 第18章 大数据实战案例：用户日志综合分析项目 223 18.1 项目背景介绍 223 18.2 项目设计目的 223 18.3 项目技术架构和组成 224 18.4 项目实施步骤 225 18.4.1 **步：本地数据FTP到Linux环境 225 18.4.2 第二步：Linux数据上传到HDFS 225 18.4.3 第三步：使用Hive访问HDFS数据 226 18.4.4 第四步：使用Kettle把数据导入HBase 228 18.4.5 第五步：使用Sqoop把数据导入MySQL 234 18.4.6 第六步：编写Python程序实现可视化 236 18.4.7 *后一步：执行Python程序 238