Douglas Eadline，博士，作为一个Linux 集群HPC 革命的践行者和记录者开始他的职业生涯，而现在他在记录大数据分析。从开始第一份操作文档以来，道格写了数百篇文章、白皮书，以及说明文档，涵盖高性能计算（HPC）的几乎所有方面。在2005年启动和编辑颇受欢迎的ClusterMonkey.net 网站之前，他担任ClusterWorld 杂志的主编，并曾是Linux 杂志的HPC 资深编辑。

他具有多方面的HPC 实际操作经验，包括硬件和软件设计、基准测试、存储、GPU、云计算和并行计算。

目前， 他是一名作家和 HPC 行业顾问， 并且是Limulus 个人集群项目（http://limulus.basement-supercomputing.com）的领导。他是Addison-Wesley 出版的HadoopFundamentals LiveLessons 和Apache Hadoop YARN Fundamentals LiveLessons 教学视频的作者和Apache Hadoop™ YARN: Moving beyond MapReduce and Batch Processing withApache Hadoop™ 2 一书的合著者。

卢涛，专业社区ITPUB Oracle开发版版主。1995年参加工作，2001年转到IT部门从事C/C++软件开发，2004年开始做系统分析和Oracle数据库方面工作。参加过多个全国性普查数据处理项目的开发和运维，目前主要从事统计报表联网填报系统的后台支持和优化。曾参与编写《剑破冰山―Oracle开发的艺术》一书，并翻译了数本Oracle管理、开发和性能优化；C/C++开发、Web开发等方面的书籍。

《写给大忙人的Hadoop 2》首先介绍了Hadoop 的背景知识，包括Hadoop 2 和YARN 的工作原理和对Hadoop 1 的改进，然后将数据湖与传统存储比较。第2 章到第8 章，分别介绍了Hadoop 2 和核心服务的安装方法、Hadoop 分布式文件系统、MapReduce 和YARN 编程，以及利用Apache Pig 等Hadoop 工具简化编程。最后两章讲述了利用Apache Ambari 等工具管理Hadoop 和基本的管理程序。附录包括Hadoop 2 故障诊断和排除的基础知识、Apache Hue 和Apache Spark 安装等。

《写给大忙人的Hadoop 2》通俗易懂，具有大量操作实例，易于上手，适合Hadoop 用户、管理员、开发和运维人员、程序员、架构师、分析师和数据科学工作者阅读。

序言

Apache Hadoop 2 引进了加工和处理数据的新方法，这些方法都超越了原始Hadoop实现的基本MapReduce 范式。本书详尽地介绍了Hadoop 2 中的概念和工具，无论是Hadoop 新人或曾使用过早期版本的经验丰富的专业人员，都能从中获益。

在过去的几年中，在原Hadoop 项目的保护伞下已经诞生了许多项目，这些项目在与原始Hadoop 项目保持良好集成的同时，还使得存储、处理和收集大量数据更为便利。本书介绍了许多在此更大的Hadoop 生态系统中的项目，向读者提供高层次基础知识，引导他们使用满足自己需求的工具来开展工作。

本书很多内容是Doug Eadline 根据他广受欢迎的Hadoop Fundamentals Live Lessons视频系列改编而成的。然而，他的资历不仅于此。Doug 与人合著了Apache Hadoop™ YARN:Moving beyond MapReduce and Batch Processing with Apache Hadoop™ 2 一书，对于介绍Hadoop 2 的覆盖范围和它给用户带来的新功能，几乎无人比他更有资格。

我激动地看到Doug 用他涵盖Hadoop 及其相关项目的书为本丛书带来巨大的知识财富。对于希望了解更多有关Hadoop 可以帮助他们解决问题的新人，以及希望了解升级到最新版本的好处的现有用户，本书都将是很好的资料。

—— Paul Dix，丛书编辑

1 背景和概念  1

定义Apache Hadoop  1

Apache Hadoop 的发展简史  3

大数据的定义 4

Hadoop 作为数据湖 5

使用Hadoop:管理员、用户或两种身份兼具 7

原始的MapReduce. 7

Apache Hadoop 的设计原则 8

Apache Hadoop MapReduce 示例 8

MapReduce 的优势  10

Apache Hadoop V1 MapReduce 操作 11

使用Hadoop V2 超越MapReduce 13

Hadoop V2 YARN 操作设计 14

Apache Hadoop 项目生态系统  16

总结和补充资料 18

2 安装攻略 21

核心Hadoop 服务  21

Hadoop 配置文件 22

规划你的资源 23

硬件的选择  23

软件的选择  24

在台式机或笔记本电脑上安装 25

安装Hortonworks HDP 2.2 沙箱  25

用Apache 源代码安装Hadoop  32

配置单节点YARN 服务器的步骤 33

运行简单的MapReduce 示例 42

安装 Apache Pig（可选）  42

安装Apache Hive（可选）  43

使用Ambari 安装Hadoop 44

执行Ambari 安装  45

撤消Ambari 安装  59

使用Apache Whirr 在云中安装Hadoop  59

总结和补充资料 65

3 HDFS 基础知识 67

HDFS 设计的特点  67

HDFS 组件 68

HDFS 块复制 71

HDFS 安全模式 72

机架的识别  73

NameNode 高可用性 73

HDFS NameNode 联邦  75

HDFS 检查点和备份 76

HDFS 快照 76

HDFS NFS 网关 76

HDFS 用户命令  77

简要HDFS 命令参考  77

一般HDFS 命令  78

列出HDFS 中的文件  79

在HDFS 中创建一个目录  80

将文件复制到HDFS 80

从HDFS 复制文件  81

在HDFS 中复制文件  81

删除在HDFS 中的文件  81

删除在HDFS 中的目录  81

获取HDFS 状态报告  81

HDFS 的Web 图形用户界面  82

在程序中使用HDFS 82

HDFS Java 应用程序示例 82

HDFS C 应用程序示例  86

总结和补充资料 88

4 运行示例程序和基准测试程序 91

运行MapReduce 示例  91

列出可用的示例  92

运行Pi 示例 93

使用Web 界面监控示例 95

运行基本Hadoop 基准测试程序  101

运行Terasort 测试 101

运行TestDFSIO 基准  102

管理Hadoop MapReduce 作业 104

总结和补充资料 105

5 Hadoop MapReduce 框架 107

MapReduce 模型 107

MapReduce 并行数据流. 110

容错和推测执行 114

推测执行. 114

Hadoop MapReduce 硬件  115

总结和补充资料 115

6 MapReduce 编程  117

编译和运行Hadoop WordCount 的示例 117

使用流式接口 122

使用管道接口 125

编译和运行Hadoop Grep 链示例 127

调试MapReduce. 131

作业的列举、清除和状态查询  131

Hadoop 日志管理 131

启用YARN 日志聚合  132

Web 界面日志查看  133

命令行日志查看  133

总结和补充资料 135

7 基本的Hadoop 工具 137

使用Apache Pig 137

Pig 示例演练  138

使用Apache Hive 140

Hive 示例演练  140

更高级的Hive 示例 142

使用Apache Sqoop 获取关系型数据 145

Apache Sqoop 导入和导出方法  145

Apache Sqoop 版本更改  147

Sqoop 示例演练 148

使用Apache Flume 获取数据流 155

Flume 的示例演练 157

使用Apache Oozie 管理 Hadoop 工作流  160

Oozie 示例演练  162

使用Apache HBase  170

HBase 数据模型概述 170

HBase 示例演练 171

总结和补充资料 176

8 Hadoop YARN 应用程序 179

YARN 分布式shell  179

使用YARN 分布式shell 180

一个简单的示例  181

使用更多的容器  182

带有shell 参数的分布式 shell 示例 183

YARN 应用程序的结构 185

YARN 应用程序框架 187

Hadoop MapReduce 188

Apache Tez  188

Apache Giraph  189

Hoya：HBase on YARN  189

Dryad on YARN  189

Apache Spark  189

Apache Storm  190

Apache REEF：可持续计算执行框架 190

Hamster：Hadoop 和MPI 在同一集群  190

Apache Flink：可扩展的批处理和流式数据处理 191

Apache Slider：动态应用程序管理  191

总结和补充资料 192

9 用Apache Ambari 管理Hadoop 193

快速浏览 Apache Ambari  194

仪表板视图  194

服务视图. 197

主机视图. 199

管理视图. 201

查看视图. 201

Admin 下拉菜单  202

更改Hadoop 属性  206

总结和补充资料 212

10 基本的Hadoop 管理程序  213

基本的Hadoop YARN 管理  214

停用YARN 节点  214

YARN WebProxy  214

使用 JobHistoryServer  215

管理YARN 作业  215

设置容器内存  215

设置容器核心  216

设置MapReduce 属性 216

基本的HDFS 管理 217

NameNode 用户界面 217

将用户添加到HDFS 219

在HDFS 上执行FSCK 220

平衡HDFS 221

HDFS 安全模式 222

停用HDFS 节点  222

SecondaryNameNode 223

HDFS 快照 223

配置到HDFS 的NFSv3 网关 225

容量调度程序背景知识 229

Hadoop 2 的MapReduce 兼容性 231

启用应用主控程序的重新启动功能  231

计算一个节点的承载容量  232

运行Hadoop 1 的应用程序 233

总结和补充资料 235

附录A 本书的网页和代码下载  237

附录B 入门流程图和故障排除指南  239

入门流程图 239

常见的Hadoop 故障排除指南  239

规则1：不要惊慌 239

规则2：安装并使用Ambari  244

规则3：检查日志 244

规则4：简化情况 245

规则5：在互联网上提问 245

其他有用的提示  246

附录C 按主题列出的Apache Hadoop 资源汇总  253

常规的Hadoop 信息 253

Hadoop 安装攻略 253

HDFS  254

示例  255

MapReduce. 255

MapReduce 编程  255

基本工具  256

YARN 应用程序框架 257

Ambari 管理  257

基本的Hadoop 管理 257

附录D 安装Hue Hadoop GUI 259

Hue 安装  259

安装和配置Hue 262

启动Hue  263

Hue 用户界面 263

附录E 安装Apache Spark 267

在集群上安装Spark. 267

在整个集群中启动Spark. 268

在伪分布式的单节点安装版本中安装和启动Spark  270

运行Spark 示例  271