第1章　緒論　　1
1.1 　大數據處理　　1
1.1.1 　數據的價值　　2
1.1.2 　受眾較少　　2
1.1.3 　一種不同的方法　　4
1.1.4 　Hadoop　　7
1.2 　基於Amazon Web Services的雲計算　　12
1.2.1 　雲太多瞭　　12
1.2.2 　第三種方法　　12
1.2.3 　不同類型的成本　　12
1.2.4 　AWS：Amazon的彈性架構　　13
1.2.5 　本書內容　　14
1.3 　小結　　15
第2章　安裝並運行Hadoop　　16
2.1 　基於本地Ubuntu主機的Hadoop係統　　16
2.2 　實踐環節：檢查是否已安裝JDK　　17
2.3 　實踐環節：下載Hadoop　　18
2.4 　實踐環節：安裝SSH　　19
2.5 　實踐環節：使用Hadoop計算圓周率　　20
2.6 　實踐環節：配置僞分布式模式　　22
2.7 　實踐環節：修改HDFS的根目錄　　24
2.8 　實踐環節：格式化NameNode　　25
2.9 　實踐環節：啓動Hadoop　　26
2.10 　實踐環節：使用HDFS　　27
2.11 　實踐環節：MapReduce的經典入門程序——字數統計　　28
2.12 　使用彈性MapReduce　　33
2.13 　實踐環節：使用管理控製颱在EMR運行WordCount　　34
2.13.1 　使用EMR的其他方式　　41
2.13.2 　AWS生態係統　　42
2.14 　本地Hadoop與EMR Hadoop的對比　　42
2.15 　小結　　43
第3章　理解MapReduce　　44
3.1 　鍵值對　　44
3.1.1 　具體含義　　44
3.1.2 　為什麼采用鍵/值數據　　45
3.1.3 　MapReduce作為一係列鍵/值變換　　46
3.2 　MapReduce的Hadoop Java API　　47
3.3 　編寫MapReduce程序　　50
3.4 　實踐環節：設置classpath　　50
3.5 　實踐環節：實現WordCount　　51
3.6 　實踐環節：構建JAR文件　　53
3.7 　實踐環節：在本地Hadoop集群運行WordCount　　54
3.8 　實踐環節：在EMR上運行WordCount　　54
3.8.1 　0.20之前版本的Java MapReduce API　　56
3.8.2 　Hadoop提供的mapper和reducer實現　　57
3.9 　實踐環節：WordCount的簡易方法　　58
3.10 　查看WordCount的運行全貌　　59
3.10.1 　啓動　　59
3.10.2 　將輸入分塊　　59
3.10.3 　任務分配　　60
3.10.4 　任務啓動　　60
3.10.5 　不斷監視JobTracker　　60
3.10.6 　mapper的輸入　　61
3.10.7 　mapper的執行　　61
3.10.8 　mapper的輸齣和reducer的輸入　　61
3.10.9 　分塊　　62
3.10.10　　可選分塊函數　　62
3.10.11　　reducer類的輸入　　62
3.10.12　　reducer類的執行　　63
3.10.13　　reducer類的輸齣　　63
3.10.14　　關機　　63
3.10.15　　這就是MapReduce的全部　　64
3.10.16　　也許缺瞭combiner　　64
3.11 　實踐環節：使用combiner編寫WordCount　　64
3.12 　實踐環節：更正使用combiner的WordCount　　65
3.13 　Hadoop專有數據類型　　67
3.13.1　　Writable和Writable-Comparable接口　　67
3.13.2 　wrapper類介紹　　68
3.14 　實踐環節：使用Writable包裝類　　69
3.15 　輸入/輸齣　　71
3.15.1　　文件、split和記錄　　71
3.15.2　　InputFormat和RecordReader　　71
3.15.3　　Hadoop提供的InputFormat　　72
3.15.4　　Hadoop提供的RecordReader　　73
3.15.5　　OutputFormat和Record-Writer　　73
3.15.6　　Hadoop提供的OutputFormat　　73
3.15.7　　彆忘瞭Sequence files　　74
3.16 　小結　　74
第4章　開發MapReduce程序　　75
4.1 　使用非Java語言操作Hadoop　　75
4.1.1 　Hadoop Streaming工作原理　　76
4.1.2　　使用Hadoop Streaming的原因　　76
4.2 　實踐環節：使用Streaming實現Word-Count　　76
4.3 　分析大數據集　　79
4.3.1 　獲取UFO目擊事件數據集　　79
4.3.2 　瞭解數據集　　80
4.4 　實踐環節：統計匯總UFO數據　　80
4.5 　實踐環節：統計形狀數據　　82
4.6 　實踐環節：找齣目擊事件的持續時間與UFO形狀的關係　　84
4.7 　實踐環節：在命令行中執行形狀/時間分析　　87
4.8 　實踐環節：使用ChainMapper進行字段驗證/分析　　88
4.9 　實踐環節：使用Distributed Cache改進地點輸齣　　93
4.10 　計數器、狀態和其他輸齣　　96
4.11 　實踐環節：創建計數器、任務狀態和寫入日誌　　96
4.12 　小結　　102
第5章　高級MapReduce技術　　103
5.1 　初級、高級還是中級　　103
5.2 　多數據源聯結　　103
5.2.1 　不適閤執行聯結操作的情況　　104
5.2.2　　map端聯結與reduce端聯結的對比　　104
5.2.3 　匹配賬戶與銷售信息　　105
5.3 　實踐環節：使用MultipleInputs實現reduce端聯結　　105
5.3.1 　實現map端聯結　　109
5.3.2 　是否進行聯結　　112
5.4 　圖算法　　112
5.4.1 　Graph 101　　112
5.4.2 　圖和MapReduce　　112
5.4.3 　圖的錶示方法　　113
5.5 　實踐環節：圖的錶示　　114
5.6 　實踐環節：創建源代碼　　115
5.7 　實踐環節：第一次運行作業　　119
5.8 　實踐環節：第二次運行作業　　120
5.9 　實踐環節：第三次運行作業　　121
5.10 　實踐環節：第四次也是最後一次運行作業　　122
5.10.1 　運行多個作業　　124
5.10.2 　關於圖的終極思考　　124
5.11 　使用語言無關的數據結構　　124
5.11.1 　候選技術　　124
5.11.2 　Avro簡介　　125
5.12 　實踐環節：獲取並安裝Avro　　125
5.13 　實踐環節：定義模式　　126
5.14 　實踐環節：使用Ruby創建Avro源數據　　127
5.15 　實踐環節：使用Java語言編程操作Avro數據　　128
5.16 　實踐環節：在MapReduce中統計UFO形狀　　130
5.17 　實踐環節：使用Ruby檢查輸齣數據　　134
5.18 　實踐環節：使用Java檢查輸齣數據　　135
5.19 　小結　　137
第6章　故障處理　　138
6.1 　故障　　138
6.1.1 　擁抱故障　　138
6.1.2 　至少不怕齣現故障　　139
6.1.3 　嚴禁模仿　　139
6.1.4 　故障類型　　139
6.1.5 　Hadoop節點故障　　139
6.2 　實踐環節：殺死DataNode進程　　141
6.3 　實踐環節：復製因子的作用　　144
6.4 　實踐環節：故意造成數據塊丟失　　146
6.5 　實踐環節：殺死TaskTracker進程　　149
6.6 　實踐環節：殺死JobTracker　　153
6.7 　實踐環節：殺死NameNode進程　　154
6.8 　實踐環節：引發任務故障　　160
6.9 　數據原因造成的任務故障　　163
6.10 　實踐環節：使用skip模式處理異常數據　　164
6.11 　小結　　169
第7章　係統運行與維護　　170
7.1 　關於EMR的說明　　170
7.2 　Hadoop配置屬性　　171
7.3 　實踐環節：瀏覽默認屬性　　171
7.3.1 　附加的屬性元素　　172
7.3.2 　默認存儲位置　　172
7.3.3 　設置Hadoop屬性的幾種方式　　173
7.4 　集群設置　　174
7.4.1 　為集群配備多少颱主機　　174
7.4.2 　特殊節點的需求　　176
7.4.3 　不同類型的存儲係統　　177
7.4.4 　Hadoop的網絡配置　　178
7.5 　實踐環節：查看默認的機櫃配置　　180
7.6 　實踐環節：報告每颱主機所在機櫃　　180
7.7 　集群訪問控製　　183
7.8 　實踐環節：展示Hadoop的默認安全機製　　183
7.9 　管理NameNode　　187
7.10 　實踐環節：為fsimage文件新增一個存儲路徑　　188
7.11 　實踐環節：遷移到新的NameNode主機　　190
7.12 　管理HDFS　　192
7.12.1 　數據寫入位置　　192
7.12.2 　使用平衡器　　193
7.13 　MapReduce管理　　193
7.13.1 　通過命令行管理作業　　193
7.13.2 　作業優先級和作業調度　　194
7.14 　實踐環節：修改作業優先級並結束作業運行　　194
7.15 　擴展集群規模　　197
7.15.1 　提升本地Hadoop集群的計算能力　　197
7.15.2 　提升EMR作業流的計算能力　　198
7.16 　小結　　198
第8章　Hive：數據的關係視圖　　200
8.1 　Hive概述　　200
8.1.1 　為什麼使用Hive　　200
8.1.2 　感謝Facebook　　201
8.2 　設置Hive　　201
8.2.1 　準備工作　　201
8.2.2 　下載Hive　　202
8.3 　實踐環節：安裝Hive　　202
8.4 　使用Hive　　203
8.5 　實踐環節：創建UFO數據錶　　204
8.6 　實踐環節：在錶中插入數據　　206
8.7 　實踐環節：驗證錶　　208
8.8 　實踐環節：用正確的列分隔符重定義錶　　210
8.9 　實踐環節：基於現有文件創建錶　　212
8.10 　實踐環節：執行聯結操作　　214
8.11 　實踐環節：使用視圖　　216
8.12 　實踐環節：導齣查詢結果　　219
8.13 　實踐環節：製作UFO目擊事件分區錶　　221
8.13.1 　分桶、歸並和排序　　224
8.13.2 　用戶自定義函數　　225
8.14 　實踐環節：新增用戶自定義函數　　225
8.14.1 　是否進行預處理　　228
8.14.2 　Hive和Pig的對比　　229
8.14.3 　未提到的內容　　229
8.15 　基於Amazon Web Services的Hive　　230
8.16 　實踐環節：在EMR上分析UFO數據　　230
8.16.1 　在開發過程中使用交互式作業流　　235
8.16.2 　與其他AWS産品的集成　　236
8.17 　小結　　236
第9章　與關係數據庫協同工作　　238
9.1 　常見數據路徑　　238
9.1.1 　Hadoop用於存儲檔案　　238
9.1.2 　使用Hadoop進行數據預處理　　239
9.1.3 　使用Hadoop作為數據輸入工具　　239
9.1.4 　數據循環　　240
9.2 　配置MySQL　　240
9.3 　實踐環節：安裝並設置MySQL　　240
9.4 　實踐環節：配置MySQL允許遠程連接　　243
9.5 　實踐環節：建立員工數據庫　　245
9.6 　把數據導入Hadoop　　246
9.6.1 　使用MySQL工具手工導入　　246
9.6.2 　在mapper中訪問數據庫　　246
9.6.3 　更好的方法：使用Sqoop　　247
9.7 　實踐環節：下載並配置Sqoop　　247
9.8 　實踐環節：把MySQL的數據導入HDFS　　249
9.9 　實踐環節：把MySQL數據導齣到
Hive　　253
9.10 　實踐環節：有選擇性的導入數據　　255
9.11 　實踐環節：使用數據類型映射　　257
9.12 　實踐環節：通過原始查詢導入數據　　258
9.13 　從Hadoop導齣數據　　261
9.13.1 　在reducer中把數據寫入關係數據庫　　261
9.13.2 　利用reducer輸齣SQL數據文件　　262
9.13.3 　仍是最好的方法　　262
9.14 　實踐環節：把Hadoop數據導入MySQL　　262
9.15 　實踐環節：把Hive數據導入MySQL　　265
9.16 　實踐環節：改進mapper並重新運行數據導齣命令　　267
9.17 　在AWS上使用Sqoop　　269
9.18 　小結　　270
第10章　使用Flume收集數據　　271
10.1 　關於AWS的說明　　271
10.2 　無處不在的數據　　271
10.2.1 　數據類彆　　272
10.2.2 　把網絡流量導入Hadoop　　272
10.3 　實踐環節：把網絡服務器數據導入Hadoop　　272
10.3.1 　把文件導入Hadoop　　273
10.3.2 　潛在的問題　　273
10.4 　Apache Flume簡介　　274
10.5 　實踐環節：安裝並配置Flume　　275
10.6 　實踐環節：把網絡流量存入日誌文件　　277
10.7 　實踐環節：把日誌輸齣到控製颱　　279
10.8 　實踐環節：把命令的執行結果寫入平麵文件　　281
10.9 　實踐環節：把遠程文件數據寫入本地平麵文件　　283
10.9.1 　信源、信宿和信道　　284
10.9.2 　Flume配置文件　　286
10.9.3 　一切都以事件為核心　　287
10.10 　實踐環節：把網絡數據寫入HDFS　　287
10.11 　實踐環節：加入時間戳　　289
10.12 　實踐環節：多層Flume網絡　　292
10.13 　實踐環節：把事件寫入多個信宿　　294
10.13.1 　選擇器的類型　　295
10.13.2 　信宿故障處理　　295
10.13.3 　使用簡單元件搭建復雜係統　　296
10.14 　更高的視角　　297
10.14.1 　數據的生命周期　　297
10.14.2 　集結數據　　297
10.14.3 　調度　　297
10.15 　小結　　298
第11章　展望未來　　299
11.1 　全書迴顧　　299
11.2 　即將到來的Hadoop變革　　300
11.3 　其他版本的Hadoop軟件包　　300
11.4 　其他Apache項目　　303
11.4.1 　HBase　　303
11.4.2 　Oozie　　303
11.4.3 　Whir　　304
11.4.4 　Mahout　　304
11.4.5 　MRUnit　　305
11.5 　其他程序設計模式　　305
11.5.1 　Pig　　305
11.5.2 　Cascading　　305
11.6 　AWS資源　　306
11.6.1 　在EMR上使用HBase　　306
11.6.2 　SimpleDB　　306
11.6.3 　DynamoDB　　306
11.7 　獲取信息的渠道　　307
11.7.1 　源代碼　　307
11.7.2 　郵件列錶和論壇　　307
11.7.3 　LinkedIn群組　　307
11.7.4 　Hadoop用戶群　　307
11.7.5 　會議　　308
11.8 　小結　　308
隨堂測驗答案　　309
· · · · · · (收起)