范东来，北京航空航天大学硕士，技术图书作者和译者，著有《Hadoop海量数据处理》（该书台湾繁体字版为《Hadoop：BigData技術詳解與專案實作》），译有《解读NoSQL》。BBD（数联铭品）大数据技术部负责人，大数据平台架构师，极客学院布道师。研究方向：并行图挖掘、去中心化应用。

本书介绍了Hadoop技术的相关知识，并将理论知识与实际项目相结合。全书共分为三个部分：基础篇、应用篇和总结篇。基础篇详细介绍了Hadoop、YARN、MapReduce、HDFS、Hive、Sqoop和HBase，并深入探讨了Hadoop的运维和调优；应用篇则包含了一个具有代表性的完整的基于Hadoop的商业智能系统的设计和实现；结束篇对全书进行总结，并对技术发展做了展望。

目录

基础篇：Hadoop基础

第1章　绪论　2
1．1　Hadoop和云计算　2
1．1．1　Hadoop的电梯演讲　2
1．1．2　Hadoop生态圈　3
1．1．3　云计算的定义　6
1．1．4　云计算的类型　7
1．1．5　Hadoop和云计算　8
1．2　Hadoop和大数据　9
1．2．1　大数据的定义　9
1．2．2　大数据的结构类型　10
1．2．3　大数据行业应用实例　12
1．2．4　Hadoop和大数据　13
1．2．5　其他大数据处理平台　14
1．3　数据挖掘和商业智能　15
1．3．1　数据挖掘的定义　15
1．3．2　数据仓库　17
1．3．3　操作数据库系统和数据仓库系统的区别　18
1．3．4　为什么需要分离的数据仓库　19
1．3．5　商业智能　19
1．3．6　大数据时代的商业智能　20
1．4　小结　21
第2章　环境准备　22
2．1　Hadoop的发行版本选择　22
2．1．1　Apache Hadoop　22
2．1．2　CDH　22
2．1．3　Hadoop的版本　23
2．1．4　如何选择Hadoop的版本　25
2．2　Hadoop架构　26
2．2．1　Hadoop HDFS架构　27
2．2．2　YARN架构　28
2．2．3　Hadoop架构　28
2．3　安装Hadoop　29
2．3．1　安装运行环境　30
2．3．2　修改主机名和用户名　36
2．3．3　配置静态IP地址　36
2．3．4　配置SSH无密码连接　37
2．3．5　安装JDK　38
2．3．6　配置Hadoop　39
2．3．7　格式化HDFS　42
2．3．8　启动Hadoop并验证安装　42
2．4　安装Hive　43
2．4．1　安装元数据库　44
2．4．2　修改Hive配置文件　44
2．4．3　验证安装　45
2．5　安装HBase　46
2．5．1　解压文件并修改Zookeeper相关配置　46
2．5．2　配置节点　46
2．5．3　配置环境变量　47
2．5．4　启动并验证　47
2．6　安装Sqoop　47
2．7　Cloudera Manager　48
2．8　小结　51
第3章　Hadoop的基石：HDFS　52
3．1　认识HDFS　52
3．1．1　HDFS的设计理念　54
3．1．2　HDFS的架构　54
3．1．3　HDFS容错　58
3．2　HDFS读取文件和写入文件　58
3．2．1　块的分布　59
3．2．2　数据读取　60
3．2．3　写入数据　61
3．2．4　数据完整性　62
3．3　如何访问HDFS　63
3．3．1　命令行接口　63
3．3．2　Java API　66
3．3．3　其他常用的接口　75
3．3．4　Web UI　75
3．4　HDFS中的新特性　76
3．4．1　NameNode HA　76
3．4．2　NameNode Federation　78
3．4．3　HDFS Snapshots　79
3．5　小结　79
第4章　YARN：统一资源管理和调平台　80
4．1　YARN是什么　80
4．2　统一资源管理和调度平台范型　81
4．2．1　集中式调度器　81
4．2．2　双层调度器　81
4．2．3　状态共享调度器　82
4．3　YARN的架构　82
4．3．1　ResourceManager　83
4．3．2　NodeManager　85
4．3．3　ApplicationMaster　87
4．3．4　YARN的资源表示模型Container　87
4．4　YARN的工作流程　88
4．5　YARN的调度器　89
4．5．1　YARN的资源管理机制　89
4．5．2　FIFO Scheduler　90
4．5．3　Capacity Scheduler　90
4．5．4　Fair Scheduler　91
4．6　YARN命令行　92
4．7　Apache Mesos　95
4．8　小结　96
第5章　分而治之的智慧：MapReduce　97
5．1　认识MapReduce　97
5．1．1　MapReduce的编程思想　98
5．1．2　MapReduce运行环境　100
5．1．3　MapReduce作业和任务　102
5．1．4　MapReduce的计算资源划分　102
5．1．5　MapReduce的局限性　103
5．2　Hello Word Count　104
5．2．1　Word Count的设计思路　104
5．2．2　编写Word Count　105
5．2．3　运行程序　107
5．2．4　还能更快吗　109
5．3　MapReduce的过程　109
5．3．1　从输入到输出　109
5．3．2　input　110
5．3．3　map及中间结果的输出　112
5．3．4　shuffle　113
5．3．5　reduce及最后结果的输出　115
5．3．6　sort　115
5．3．7　作业的进度组成　116
5．4　MapReduce的工作机制　116
5．4．1　作业提交　117
5．4．2　作业初始化　118
5．4．3　任务分配　118
5．4．4　任务执行　118
5．4．5　任务完成　118
5．4．6　推测执行　119
5．4．7　MapReduce容错　119
5．5　MapReduce编程　120
5．5．1　Writable类　120
5．5．2　编写Writable类　123
5．5．3　编写Mapper类　124
5．5．4　编写Reducer类　125
5．5．5　控制shuffle　126
5．5．6　控制sort　128
5．5．7　编写main函数　129
5．6　MapReduce编程实例：连接　130
5．6．1　设计思路　131
5．6．2　编写Mapper类　131
5．6．3　编写Reducer类　132
5．6．4　编写main函数　133
5．7　MapReduce编程实例：二次排序　134
5．7．1　设计思路　134
5．7．2　编写Mapper类　135
5．7．3　编写Partitioner类　136
5．7．4　编写SortComparator类　136
5．7．5　编写Reducer类　137
5．7．6　编写main函数　137
5．8　MapReduce编程实例：全排序　139
5．8．1　设计思路　139
5．8．2　编写代码　140
5．9　小结　141
第6章　SQL on Hadoop：Hive　142
6．1　认识Hive　142
6．1．1　从MapReduce到SQL　143
6．1．2　Hive架构　144
6．1．3　Hive与关系型数据库的区别　146
6．1．4　Hive命令的使用　147
6．2　数据类型和存储格式　149
6．2．1　基本数据类型　149
6．2．2　复杂数据类型　149
6．2．3　存储格式　150
6．2．4　数据格式　151
6．3　HQL：数据定义　152
6．3．1　Hive中的数据库　152
6．3．2　Hive中的表　154
6．3．3　创建表　154
6．3．4　管理表　156
6．3．5　外部表　156
6．3．6　分区表　156
6．3．7　删除表　158
6．3．8　修改表　158
6．4　HQL：数据操作　159
6．4．1　装载数据　159
6．4．2　通过查询语句向表中插入数据　160
6．4．3　利用动态分区向表中插入数据　160
6．4．4　通过CTAS加载数据　161
6．4．5　导出数据　161
6．5　HQL：数据查询　162
6．5．1　SELECT…FROM语句　162
6．5．2　WHERE语句　163
6．5．3　GROUP BY和HAVING语句　164
6．5．4　JOIN语句　164
6．5．5　ORDER BY和SORT BY语句　166
6．5．6　DISTRIBUTE BY和SORT BY
语句　167
6．5．7　CLUSTER BY　167
6．5．8　分桶和抽样　168
6．5．9　UNION ALL　168
6．6　Hive函数　168
6．6．1　标准函数　168
6．6．2　聚合函数　168
6．6．3　表生成函数　169
6．7　Hive用户自定义函数　169
6．7．1　UDF　169
6．7．2　UDAF　170
6．7．3　UDTF　171
6．7．4　运行　173
6．8　小结　173
第7章　SQL to Hadoop ： Sqoop　174
7．1　一个Sqoop示例　174
7．2　导入过程　176
7．3　导出过程　178
7．4　Sqoop的使用　179
7．4．1　codegen　180
7．4．2　create-hive-table　180
7．4．3　eval　181
7．4．4　export　181
7．4．5　help　182
7．4．6　import　182
7．4．7　import-all-tables　183
7．4．8　job　184
7．4．9　list-databases　184
7．4．10　list-tables　184
7．4．11　merge　184
7．4．12　metastore　185
7．4．13　version　186
7．5　小结　186
第8章　HBase：HadoopDatabase　187
8．1　酸和碱：两种数据库事务方法论　187
8．1．1　ACID　188
8．1．2　BASE　188
8．2　CAP定理　188
8．3　NoSQL的架构模式　189
8．3．1　键值存储　189
8．3．2　图存储　190
8．3．3　列族存储　191
8．3．4　文档存储　192
8．4　HBase的架构模式　193
8．4．1　行键、列族、列和单元格　193
8．4．2　HMaster　194
8．4．3　Region和RegionServer　195
8．4．4　WAL　195
8．4．5　HFile　195
8．4．6　Zookeeper　197
8．4．7　HBase架构　197
8．5　HBase写入和读取数据　198
8．5．1　Region定位　198
8．5．2　HBase写入数据　199
8．5．3　HBase读取数据　199
8．6　HBase基础API　200
8．6．1　创建表　201
8．6．2　插入　202
8．6．3　读取　203
8．6．4　扫描　204
8．6．5　删除单元格　206
8．6．6　删除表　207
8．7　HBase高级API　207
8．7．1　过滤器　208
8．7．2　计数器　208
8．7．3　协处理器　209
8．8　小结　214
第9章　Hadoop性能调优和运维　215
9．1　Hadoop客户端　215
9．2　Hadoop性能调优　216
9．2．1　选择合适的硬件　216
9．2．2　操作系统调优　218
9．2．3　JVM调优　219
9．2．4　Hadoop参数调优　219
9．3　Hive性能调优　225
9．3．1　JOIN优化　226
9．3．2　Reducer的数量　226
9．3．3　列裁剪　226
9．3．4　分区裁剪　226
9．3．5　GROUP BY优化　226
9．3．6　合并小文件　227
9．3．7　MULTI-GROUP BY和MULTI-INSERT　228
9．3．8　利用UNION ALL 特性　228
9．3．9　并行执行　228
9．3．10　全排序　228
9．3．11　Top N　229
9．4　HBase调优　229
9．4．1　通用调优　229
9．4．2　客户端调优　230
9．4．3　写调优　231
9．4．4　读调优　231
9．4．5　表设计调优　232
9．5　Hadoop运维　232
9．5．1　集群节点动态扩容和卸载　233
9．5．2　利用SecondaryNameNode恢复NameNode　234
9．5．3　常见的运维技巧　234
9．5．4　常见的异常处理　235
9．6　小结　236

应用篇：商业智能系统项目实战

第10章　在线图书销售商业智能系统　238
10．1　项目背景　238
10．2　功能需求　239
10．3　非功能需求　240
10．4　小结　240
第11章　系统结构设计　241
11．1　系统架构　241
11．2　功能设计　242
11．3　数据仓库结构　243
11．4　系统网络拓扑与硬件选型　246
11．4．1　系统网络拓扑　246
11．4．2　系统硬件选型　248
11．5　技术选型　249
11．5．1　平台选型　249
11．5．2　系统开发语言选型　249
11．6　小结　249
第12章　在开发之前　250
12．1　新建一个工程　250
12．1．1　安装Python　250
12．1．2　安装PyDev插件　251
12．1．3　新建PyDev项目　252
12．2　代码目录结构　253
12．3　项目的环境变量　253
12．4　如何调试　254
12．5　小结　254
第13章　实现数据导入导出模块　255
13．1　处理流程　255
13．2　导入方式　256
13．2．1　全量导入　256
13．2．2　增量导入　256
13．3　读取配置文件　257
13．4　SqoopUtil　261
13．5　整合　262
13．6　导入说明　262
13．7　导出模块　263
13．8　小结　265
第14章　实现数据分析工具模块　266
14．1　处理流程　266
14．2　读取配置文件　266
14．3　HiveUtil　268
14．4　整合　268
14．5　数据分析和报表　269
14．5．1　OLAP和Hive　269
14．5．2　OLAP和多维模型　270
14．5．3　选MySQL还是选HBase　272
14．6　小结　273
第15章　实现业务数据的数据清洗
模块　274
15．1　ETL　274
15．1．1　数据抽取　274
15．1．2　数据转换　274
15．1．3　数据清洗工具　275
15．2　处理流程　275
15．3　数据去重　276
15．3．1　产生原因　276
15．3．2　去重方法　277
15．3．3　一个很有用的UDF：
RowNum　277
15．3．4　第二种去重方法　279
15．3．5　进行去重　279
15．4　小结　282
第16章　实现点击流日志的数据清洗
模块　283
16．1　数据仓库和Web　283
16．2　处理流程　285
16．3　字段的获取　285
16．4　编写MapReduce作业　288
16．4．1　编写IP地址解析器　288
16．4．2　编写Mapper类　291
16．4．3　编写Partitioner类　295
16．4．4　编写SortComparator类　295
16．4．5　编写Reducer类　297
16．4．6　编写main函数　298
16．4．7　通过Python调用jar文件　299
16．5　还能做什么　300
16．5．1　网站分析的指标　300
16．5．2　网站分析的决策支持　301
16．6　小结　301
第17章　实现购书转化率分析模块　302
17．1　漏斗模型　302
17．2　处理流程　303
17．3　读取配置文件　303
17．4　提取所需数据　304
17．5　编写转化率分析MapReduce作业　305
17．5．1　编写Mapper类　306
17．5．2　编写Partitioner类　308
17．5．3　编写SortComparator类　309
17．5．4　编写Reducer类　310
17．5．5　编写Driver类　312
17．5．6　通过Python模块调用jar文件　314
17．6　对中间结果进行汇总得到最终 结果　314
17．7　整合　316
17．8　小结　316
第18章　实现购书用户聚类模块　317
18．1　物以类聚　317
18．2　聚类算法　318
18．2．1　k-means算法　318
18．2．2　Canopy算法　319
18．2．3　数据向量化　320
18．2．4　数据归一化　321
18．2．5　相似性度量　322
18．3　用MapReduce实现聚类算法　323
18．3．1　Canopy算法与MapReduce　323
18．3．2　k-means算法与MapReduce　323
18．3．3　Apache Mahout　324
18．4　处理流程　324
18．5　提取数据并做归一化　325
18．6　维度相关性　327
18．6．1　维度的选取　327
18．6．2　相关系数与相关系数矩阵　328
18．6．3　计算相关系数矩阵　328
18．7　使用Mahout完成聚类　329
18．7．1　使用Mahout　329
18．7．2　解析Mahout的输出　332
18．7．3　得到聚类结果　334
18．8　得到最终结果　335
18．9　评估聚类结果　337
18．9．1　一份不适合聚类的数据　337
18．9．2　簇间距离和簇内距离　337
18．9．3　计算平均簇间距离　338
18．10　小结　339
第19章　实现调度模块　340
19．1　工作流　340
19．2　编写代码　341
19．3　crontab　342
19．4　让数据说话　343
19．5　小结　344

结束篇：总结和展望

第20章　总结和展望　346
20．1　总结　346
20．2　BDAS　347
20．3　Dremel系技术　348
20．4　Pregel系技术　349
20．5　Docker和Kubernetes　350
20．6　数据集成工具NiFi　350
20．7　小结　351

参考文献　352