第 1篇　大數(shù)據(jù)基礎



第 1章　大數(shù)據(jù)概述　2

1.1　大數(shù)據(jù)時代　2

1.1.1　第三次信息化浪潮　2

1.1.2　信息科技為大數(shù)據(jù)時代提供技術支撐　3

1.1.3　數(shù)據(jù)產生方式的變革促成大數(shù)據(jù)時代的到來　4

1.1.4　大數(shù)據(jù)的發(fā)展歷程　5

1.2　什么是大數(shù)據(jù)　7

1.2.1　數(shù)據(jù)量大　7

1.2.2　數(shù)據(jù)類型繁多　8

1.2.3　處理速度快　9

1.2.4　價值密度低　9

1.3　大數(shù)據(jù)的影響　10

1.3.1　大數(shù)據(jù)對科學研究的影響　10

1.3.2　大數(shù)據(jù)對思維方式的影響　11

1.3.3　大數(shù)據(jù)對社會發(fā)展的影響　12

1.3.4　大數(shù)據(jù)對就業(yè)市場的影響　13

1.3.5　大數(shù)據(jù)對人才培養(yǎng)的影響　13

1.4　大數(shù)據(jù)的應用　14

1.4.1　大數(shù)據(jù)在各個領域的應用　15

1.4.2　大數(shù)據(jù)應用的3個層次　16

1.5　大數(shù)據(jù)關鍵技術　17

1.6　大數(shù)據(jù)計算模式　18

1.6.1　批處理計算　18

1.6.2　流計算　18

1.6.3　圖計算　19

1.6.4　查詢分析計算　19

1.7　大數(shù)據(jù)產業(yè)　19

1.8　大數(shù)據(jù)與云計算、物聯(lián)網　21

1.8.1　云計算　21

1.8.2　物聯(lián)網　24

1.8.3　大數(shù)據(jù)與云計算、物聯(lián)網的關系　28

1.9　本章小結　29

1.10　習題　30

第 2章　大數(shù)據(jù)處理架構Hadoop　31

2.1　Hadoop概述　31

2.1.1　Hadoop簡介　31

2.1.2　Hadoop的發(fā)展簡史　31

2.1.3　Hadoop的特性　32

2.1.4　Hadoop的應用現(xiàn)狀　32

2.1.5　Hadoop的版本　33

2.2　Hadoop生態(tài)系統(tǒng)　33

2.2.1　HDFS　34

2.2.2　HBase　34

2.2.3　MapReduce　34

2.2.4　Hive　34

2.2.5　Pig　35

2.2.6　Mahout　35

2.2.7　ZooKeeper　35

2.2.8　Flume　35

2.2.9　Kafka　35

2.2.10　Ambari　35

2.3　Hadoop的安裝與使用　36

2.3.1　創(chuàng)建hadoop用戶　36

2.3.2　更新apt和安裝Vim編輯器　37

2.3.3　安裝SSH和配置SSH無密碼登錄　37

2.3.4　安裝Java環(huán)境　37

2.3.5　安裝單機Hadoop　38

2.3.6　Hadoop偽分布式安裝　39

2.4　本章小結　41

2.5　習題　42

實驗1　熟悉常用的Linux操作和Hadoop操作　42



第 2篇　大數(shù)據(jù)存儲與管理



第3章　分布式文件系統(tǒng)HDFS　48

3.1　分布式文件系統(tǒng)　48

3.1.1　計算機集群的基本架構　48

3.1.2　分布式文件系統(tǒng)的結構　49

3.1.3　分布式文件系統(tǒng)的設計需求　50

3.2　HDFS簡介　50

3.3　HDFS的相關概念　51

3.3.1　數(shù)據(jù)塊　52

3.3.2　名稱節(jié)點和數(shù)據(jù)節(jié)點　52

3.3.3　第二名稱節(jié)點　53

3.4　HDFS體系結構　54

3.4.1　HDFS概述　54

3.4.2　HDFS命名空間管理　55

3.4.3　通信協(xié)議　56

3.4.4　客戶端　56

3.4.5　HDFS體系結構的局限性　56

3.5　HDFS的存儲原理　56

3.5.1　數(shù)據(jù)的冗余存儲　56

3.5.2　數(shù)據(jù)存取策略　57

3.5.3　數(shù)據(jù)錯誤與恢復　58

3.6　HDFS的數(shù)據(jù)讀寫過程　59

3.6.1　讀數(shù)據(jù)的過程　59

3.6.2　寫數(shù)據(jù)的過程　60

3.7　HDFS編程實踐　61

3.7.1　HDFS常用命令　61

3.7.2　HDFS的Web頁面　63

3.7.3　HDFS常用Java API及應用實例　64

3.8　本章小結　67

3.9　習題　67

實驗2　熟悉常用的HDFS操作　68

第4章　分布式數(shù)據(jù)庫HBase　70

4.1　HBase概述　70

4.1.1　從BigTable說起　70

4.1.2　HBase簡介　70

4.1.3　HBase與傳統(tǒng)關系數(shù)據(jù)庫的對比分析　71

4.2　HBase訪問接口　72

4.3　HBase數(shù)據(jù)模型　73

4.3.1　數(shù)據(jù)模型概述　73

4.3.2　數(shù)據(jù)模型的相關概念　73

4.3.3　數(shù)據(jù)坐標　74

4.3.4　概念視圖　75

4.3.5　物理視圖　75

4.3.6　面向列的存儲　76

4.4　HBase的實現(xiàn)原理　78

4.4.1　HBase的功能組件　78

4.4.2　表和Region　79

4.4.3　Region的定位　79

4.5　HBase運行機制　81

4.5.1　HBase的系統(tǒng)架構　81

4.5.2　Region服務器的工作原理　83

4.5.3　Store的工作原理　84

4.5.4　HLog文件的工作原理　85

4.6　HBase編程實踐　85

4.6.1　HBase常用的Shell命令　86

4.6.2　HBase常用的Java API及應用實例　88

4.7　本章小結　98

4.8　習題　99

實驗3　熟悉常用的HBase操作　99

第5章　NoSQL數(shù)據(jù)庫　102

5.1　NoSQL數(shù)據(jù)庫簡介　102

5.2　NoSQL數(shù)據(jù)庫興起的原因　103

5.2.1　關系數(shù)據(jù)庫無法滿足Web 2.0的需求　103

5.2.2　關系數(shù)據(jù)庫的關鍵特性在Web 2.0時代成為雞肋　104

5.3　NoSQL數(shù)據(jù)庫與關系數(shù)據(jù)庫的簡單比較　105

5.4　NoSQL數(shù)據(jù)庫的四大類型　106

5.4.1　鍵值數(shù)據(jù)庫　107

5.4.2　列族數(shù)據(jù)庫　108

5.4.3　文檔數(shù)據(jù)庫　108

5.4.4　圖數(shù)據(jù)庫　109

5.5　NoSQL數(shù)據(jù)庫的三大基石　109

5.5.1　第 一大基石：CAP　109

5.5.2　第二大基石：BASE　111

5.5.3　第三大基石：最終一致性　113

5.6　從NoSQL數(shù)據(jù)庫到NewSQL數(shù)據(jù)庫　113

5.7　本章小結　115

5.8　習題　115

實驗4　NoSQL數(shù)據(jù)庫和關系數(shù)據(jù)庫的操作比較　115

第6章　云數(shù)據(jù)庫　119

6.1　云數(shù)據(jù)庫概述　119

6.1.1　云計算是云數(shù)據(jù)庫興起的基礎　119

6.1.2　云數(shù)據(jù)庫的概念　120

6.1.3　云數(shù)據(jù)庫的特性　121

6.1.4　云數(shù)據(jù)庫是個性化數(shù)據(jù)存儲需求的理想選擇　123

6.1.5　云數(shù)據(jù)庫與其他數(shù)據(jù)庫的關系　123

6.2　云數(shù)據(jù)庫產品　124

6.2.1　主流云數(shù)據(jù)庫廠商簡介　124

6.2.2　亞馬遜的云數(shù)據(jù)庫產品　125

6.2.3　谷歌的云數(shù)據(jù)庫產品　125

6.2.4　微軟的云數(shù)據(jù)庫產品　125

6.2.5　其他云數(shù)據(jù)庫產品　126

6.3　云數(shù)據(jù)庫系統(tǒng)架構　127

6.3.1　UMP系統(tǒng)概述　127

6.3.2　UMP系統(tǒng)架構　127

6.3.3　UMP系統(tǒng)功能　130

6.4　本章小結　132

6.5　習題　132



第3篇　大數(shù)據(jù)處理與分析



第7章　MapReduce　134

7.1　MapReduce概述　134

7.1.1　分布式并行編程　134

7.1.2　MapReduce模型簡介　135

7.1.3　Map和Reduce函數(shù)　135

7.2　MapReduce的工作流程　136

7.2.1　MapReduce工作流程概述　136

7.2.2　MapReduce工作流程的各個執(zhí)行階段　137

7.2.3　Shuffle過程詳解　138

7.3　實例分析：WordCount　141

7.3.1　WordCount的程序任務　141

7.3.2　WordCount的設計思路　141

7.3.3　WordCount的具體執(zhí)行過程　142

7.3.4　一個WordCount執(zhí)行過程的實例　143

7.4　MapReduce的具體應用　144

7.4.1　關系代數(shù)運算　144

7.4.2　分組與聚合運算　146

7.4.3　矩陣-向量乘法　146

7.4.4　矩陣乘法　146

7.5　MapReduce編程實踐　147

7.5.1　任務要求　147

7.5.2　編寫Map處理邏輯　148

7.5.3　編寫Reduce處理邏輯　149

7.5.4　編寫main函數(shù)　149

7.5.5　編譯打包代碼以及運行程序　150

7.6　本章小結　153

7.7　習題　153

實驗5　MapReduce初級編程實踐　154

第8章　Hadoop再探討　157

8.1　Hadoop的優(yōu)化　157

8.1.1　Hadoop的局限與不足　157

8.1.2　針對Hadoop的改進與提升　158

8.2　HDFS 2.0的新特性　158

8.2.1　HDFS HA　158

8.2.2　HDFS聯(lián)邦　160

8.3　新一代資源調度管理框架YARN　161

8.3.1　MapReduce 1.0的缺陷　162

8.3.2　YARN設計思路　162

8.3.3　YARN體系結構　163

8.3.4　YARN工作流程　165

8.3.5　YARN框架與MapReduce 1.0框架的對比分析　166

8.3.6　YARN的發(fā)展目標　167

8.4　本章小結　168

8.5　習題　168

第9章　數(shù)據(jù)倉庫Hive　169

9.1　數(shù)據(jù)倉庫的概念　169

9.2　數(shù)據(jù)湖　171

9.2.1　數(shù)據(jù)湖的概念　171

9.2.2　數(shù)據(jù)湖與數(shù)據(jù)倉庫的區(qū)別　172

9.2.3　數(shù)據(jù)湖能解決的企業(yè)問題　173

9.3　湖倉一體　173

9.4　數(shù)據(jù)倉庫Hive概述　174

9.4.1　傳統(tǒng)數(shù)據(jù)倉庫面臨的挑戰(zhàn)　174

9.4.2　Hive簡介　175

9.4.3　Hive與Hadoop生態(tài)系統(tǒng)中其他組件的關系　175

9.4.4　Hive與傳統(tǒng)數(shù)據(jù)庫的對比分析　176

9.4.5　Hive在企業(yè)中的部署和應用　176

9.5　Hive系統(tǒng)架構　178

9.6　Hive工作原理　178

9.6.1　SQL語句轉換成MapReduce作業(yè)的基本原理　179

9.6.2　SQL查詢轉換成MapReduce作業(yè)的過程　180

9.7　Hive HA基本原理　181

9.8　Impala　182

9.8.1　Impala簡介　182

9.8.2　Impala的系統(tǒng)架構　183

9.8.3　Impala查詢的執(zhí)行過程　183

9.8.4　Impala與Hive的比較　184

9.9　Hive編程實踐　185

9.9.1　Hive的數(shù)據(jù)類型　185

9.9.2　Hive的基本操作　186

9.9.3　Hive應用實例：WordCount　189

9.9.4　Hive編程的優(yōu)勢　189

9.10　本章小結　190

9.11　習題　190

實驗6　熟悉Hive的基本操作　191

第 10章　Spark　193

10.1　Spark概述　193

10.1.1　Spark簡介　193

10.1.2　Scala簡介　194

10.1.3　Spark與Hadoop的對比　194

10.2　Spark生態(tài)系統(tǒng)　196

10.3　Spark運行架構　198

10.3.1　基本概念　198

10.3.2　架構設計　198

10.3.3　Spark運行基本流程　199

10.3.4　RDD的設計與運行原理　200

10.4　Spark的部署模式和應用方式　209

10.4.1　Spark的部署模式　209

10.4.2　從Hadoop Storm架構轉向Spark架構　210

10.4.3　Hadoop和Spark的統(tǒng)一部署　211

10.5　Spark編程實踐　212

10.5.1　啟動Spark Shell　212

10.5.2　RDD基本操作　212

10.5.3　Spark應用程序　217

10.6　本章小結　221

10.7　習題　222

實驗7　Spark初級編程實踐　222

第 11章　流計算　225

11.1　流計算概述　225

11.1.1　靜態(tài)數(shù)據(jù)和流數(shù)據(jù)　225

11.1.2　批量計算和實時計算　226

11.1.3　流計算的概念　226

11.1.4　流計算與Hadoop　227

11.1.5　流計算框架與平臺　227

11.2　流計算的處理流程　228

11.2.1　概述　228

11.2.2　數(shù)據(jù)實時采集　229

11.2.3　數(shù)據(jù)實時計算　229

11.2.4　實時查詢服務　229

11.3　流計算的應用場景　230

11.3.1　應用場景1：實時分析　230

11.3.2　應用場景2：實時交通　231

11.4　流計算框架Storm　231

11.5　流計算框架Spark Streaming　232

11.6　流處理框架Structured Streaming　233

11.6.1　Structured Streaming簡介　233

11.6.2　Structured Streaming的關鍵思想　233

11.6.3　Structured Streaming的兩種處理模型　234

11.7　流計算框架Flink　235

11.8　本章小結　236

11.9　習題　236

第 12章　Flink　237

12.1　Flink簡介　237

12.2　為什么選擇Flink　237

12.2.1　傳統(tǒng)數(shù)據(jù)處理架構　238

12.2.2　大數(shù)據(jù)Lambda架構　238

12.2.3　流處理架構　239

12.2.4　Flink是理想的流計算框架　240

12.2.5　Flink的優(yōu)勢　240

12.3　Flink典型應用場景　241

12.3.1　事件驅動型應用　241

12.3.2　數(shù)據(jù)分析應用　242

12.3.3　數(shù)據(jù)流水線應用　243

12.4　Flink核心組件棧　244

12.5　Flink體系架構　244

12.6　Flink編程模型　246

12.7　Flink編程實踐　246

12.7.1　安裝Flink　246

12.7.2　編程實現(xiàn)WordCount程序　248

12.8　本章小結　252

12.9　習題　252

實驗8　Flink初級編程實踐　253

第 13章　圖計算　254

13.1　圖計算簡介　254

13.1.1　傳統(tǒng)圖計算解決方案的不足之處　254

13.1.2　通用圖計算軟件　255

13.2　Pregel簡介　256

13.3　Pregel圖計算模型　256

13.3.1　有向圖和頂點　256

13.3.2　頂點之間的消息傳遞　256

13.3.3　Pregel計算過程　257

13.3.4　Pregel計算過程的實例　258

13.4　Pregel的C API　260

13.4.1　消息傳遞機制　261

13.4.2　Combiner　261

13.4.3　Aggregator　262

13.4.4　拓撲改變　262

13.4.5　輸入和輸出　262

13.5　Pregel的體系結構　263

13.5.1　Pregel的執(zhí)行過程　263

13.5.2　容錯性　264

13.5.3　Worker　265

13.5.4　Master　265

13.5.5　Aggregator　266

13.6　Pregel的應用實例　266

13.6.1　單源最短路徑問題　266

13.6.2　二分匹配問題　267

13.7　Pregel和MapReduce實現(xiàn)PageRank算法的對比　268

13.7.1　PageRank算法　269

13.7.2　PageRank算法在Pregel中的實現(xiàn)　269

13.7.3　PageRank算法在MapReduce中的實現(xiàn)　270

13.7.4　PageRank算法在Pregel 和MapReduce中實現(xiàn)方式的比較　272

13.8　本章小結　272

13.9　習題　273





第4篇　大數(shù)據(jù)應用



第 14章　大數(shù)據(jù)應用　276

14.1　大數(shù)據(jù)在互聯(lián)網領域的應用　276

14.2　大數(shù)據(jù)在生物醫(yī)學領域的應用　277

14.2.1　流行病預測　277

14.2.2　智慧醫(yī)療　278

14.2.3　生物信息學　279

14.3　大數(shù)據(jù)在物流領域的應用　279

14.3.1　智能物流的概念　280

14.3.2　大數(shù)據(jù)是智能物流的關鍵　280

14.3.3　中國智能物流骨干網菜鳥　280

14.4　大數(shù)據(jù)在城市管理領域的應用　281

14.4.1　智能交通　281

14.4.2　環(huán)保監(jiān)測　282

14.4.3　城市規(guī)劃　282

14.4.4　安防　283

14.5　大數(shù)據(jù)在金融領域的應用　283

14.5.1　高頻交易　284

14.5.2　市場情緒分析　284

14.5.3　信貸風險分析　284

14.5.4　大數(shù)據(jù)征信　285

14.6　大數(shù)據(jù)在汽車領域的應用　286

14.7　大數(shù)據(jù)在零售領域的應用　286

14.7.1　發(fā)現(xiàn)關聯(lián)購買行為　286

14.7.2　客戶群體細分　287

14.7.3　供應鏈管理　288

14.8　大數(shù)據(jù)在餐飲領域的應用　288

14.8.1　餐飲領域擁抱大數(shù)據(jù)　288

14.8.2　餐飲O2O　288

14.9　大數(shù)據(jù)在電信領域的應用　289

14.10　大數(shù)據(jù)在能源領域的應用　290

14.11　大數(shù)據(jù)在體育和娛樂領域的應用　291

14.11.1　訓練球隊　291

14.11.2　投拍影視作品　291

14.11.3　預測比賽結果　292

14.12　大數(shù)據(jù)在安全領域的應用　292

14.12.1　棱鏡門事件　292

14.12.2　應用大數(shù)據(jù)技術防御網絡攻擊　293

14.12.3　應用大數(shù)據(jù)工具預防犯罪　293

14.13　大數(shù)據(jù)在日常生活中的應用　294

14.14　本章小結　295

14.15　習題　296

參考文獻　297