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