本书是Hadoop+Spark大数据分析技术入门书，基于Hadoop和Spark两大框架体系的3．2版本，以通俗易懂的方式介绍Hadoop+Spark原生态组件的原理、集群搭建、实战操作，以及整个Hadoop生态系统主流的大数据分析技术。 本书共分14章。第1章讲解Hadoop框架及新版本特性，并详细讲解大数据分析环境的搭建工作，包括Linux操作系统的安装、SSH工具使用和配置等；第2章讲解Hadoop伪分布式的安装和开发体验，使读者熟悉Hadoop大数据开发两大核心组件，即HDFS和MapReduee；第3～12章讲解。Hadoop生态系统各框架HIDFS、MapReduce、输入输出、Hadoop集群配置、高可用集群、HBase、Hive、数据实时处理系统Flume，以及Spark框架数据处理、机器学习等实战技术，并通过实际案例加深对各个框架的理解与应用；第13～14章分别通过影评分析、旅游酒店评价分析实战项目来贯穿大数据分析的完整流程。 本书可以作为大数据分析初学者的入门指导书，也可以作为大数据开发人员的参考手册，同时也适合作为高等院校大数据相关专业的教材或教学参考书。

第1章 大数据与Hadoop
1.1 什么是大数据
1.2 大数据的来源
1.3 如何处理大数据
1.3.1 数据分析与挖掘
1.3.2 基于云平台的分布式处理
1.4 Hadoop 3新特性
1.5 虚拟机与Linux操作系统的安装
1.5.1 VirtualBox虚拟机的安装
1.5.2 Linux操作系统的安装
1.6 SSH工具与使用
1.7 Linux统一设置
1.8 本章小结
第2章 Hadoop伪分布式集群
2.1 安装独立运行的Hadoop
2.2 Hadoop伪分布式环境准备
2.3 Hadoop伪分布式安装
2.4 HDFS操作命令
2.5 Java项目访问HDFS
2.6 winutils
2.7 快速MapReduce程序示例
2.8 本章小结
第3章 HDFS分布式文件系统
3.1 HDFS的体系结构
3.2 NameNode的工作
3.3 SecondaryNameNode
3.4 DataNode
3.5 HDFS的命令
3.6 RPC远程过程调用
3.7 本章小结
第4章 分布式运算框架MapReduce
4.1 MapReduce的运算过程
4.2 WordCount示例
4.3 自定义Writable
4.4 Partitioner分区编程
4.5 自定义排序
4.6 Combiner编程
4.7 默认Mapper和默认Reducer
4.8 倒排索引
4.9 Shuffle
4.9.1 Spill过程
4.9.2 Sort过程
4.9.3 Merge过程
4.10 本章小结
第5章 Hadoop输入输出
5.1 自定义文件输入流
5.1.1 自定义LineTextInputFormat
5.1.2 自定义ExcelInputFormat类
5.1.3 DBInputFormat
5.1.4 自定义输出流
5.2 顺序文件SequenceFile的读写
5.2.1 生成一个顺序文件
5.2.2 读取顺序文件
5.2.3 获取Key/Value类型
5.2.4 使用SequenceFileInputFormat读取数据
5.3 本章小结
第6章 Hadoop分布式集群配置
6.1 Hadoop集群
6.2 本章小结
第7章 Hadoop高可用集群搭建
7.1 ZooKeeper简介
7.2 ZooKeeper集群安装
7.3 znode节点类型
7.4 观察节点
7.5 配置Hadoop高可靠集群
7.6 用Java代码操作集群
7.7 本章小结
第8章 数据仓库Hive
8.1 Hive简介
8.2 Hive3的安装配置
8.2.1 使用Derby数据库保存元数据
8.2.2 使用MySQL数据库保存元数据
8.3 Hive命令
8.4 Hive内部表
8.5 Hive外部表
8.6 Hive表分区
8.6.1 分区的技术细节
8.6.2 分区示例
8.7 查询示例汇总
8.8 Hive函数
8.8.1 关系运算符号
8.8.2 更多函数
8.8.3 使用Hive函数实现WordCount
8.9 本章小结
第9章 HBase数据库
9.1 HBase的特点
9.1.1 HBase的高并发和实时处理数据
9.1.2 HBase的数据模型
9.2 HBase的安装
9.2.1 HBase的单节点安装
9.2.2 HBase的伪分布式安装
9.2.3 Java客户端代码
9.2.4 其他Java操作代码
9.3 HBase集群安装
9.4 HBase Shell操作
9.4.1 DDL操作
9.4.2 DML操作
9.5 本章小结
第10章 Flume数据采集
10.1 Flume简介
10.1.1 Flume原理
10.1.2 Flume的一些核心概念
10.2 Flume的安装与配置
10.3 快速示例
10.4 在ZooKeeper中保存Flume的配置文件
10.5 Flume的更多Source
10.5.1 avro source
10.5.2 thrift source和thrift sink
10.5.3 exec source
10.5.4 spool source
10.5.5 HDFS sinks
10.6 本章小结
第11章 Spark框架搭建及应用
11.1 安装Spark
11.1.1 本地模式
11.1.2 伪分布式安装
11.1.3 集群安装
11.1.4 Spark on YARN
11.2 使用Scala开发Spark应用
11.2.1 安装Scala
11.2.2 开发Spark程序
11.3 spark-submit
11.3.1 使用spark-submit提交
11.3.2 spark-submit参数说明
11.4 DataFrame
11.4.1 DataFrame概述
11.4.2 DataFrame基础应用
11.5 Spark SQL
11.5.1 快速示例
11.5.2 Read和Write
11.6 Spark Streaming
11.6.1 快速示例
11.6.2 DStream
11.6.3 FileStream
11.6.4 窗口函数
11.6.5 updateStateByKey
11.7 共享变量
11.7.1 广播变量
11.7.2 累加器
11.8 本章小结
第12章 Spark机器学习
12.1 机器学习
12.1.1 机器学习概述
12.1.2 Spark ML
12.2 典型机器学习流程介绍
12.2.1 提出问题
12.2.2 假设函数
12.2.3 代价函数
12.2.4 训练模型确定参数
12.3 经典算法模型实战
12.3.1 聚类算法实战
12.3.2 回归算法实战
12.3.3 协同过滤算法实战
第13章 影评分析项目实战
13.1 项目内容
13.2 项目需求及分析
13.3 详细实现
13.3.1 搭建项目环境
13.3.2 编写爬虫类
13.3.3 编写分词类
13.3.4 第一个job的Map阶段实现
13.3.5