大數據技術原理與應用（第2版）

第一篇 大數據基礎
第1章　大數據概述　2
1.1　大數據時代　2
1.1.1　第三次信息化浪潮　2
1.1.2　信息科技為大數據時代提供
技術支撐　3
1.1.3　數據產生方式的變革促成大數據時代的來臨　5
1.1.4　大數據的發(fā)展歷程　6
1.2　大數據的概念　7
1.2.1　數據量大　7
1.2.2　數據類型繁多　8
1.2.3　處理速度快　9
1.2.4　價值密度低　9
1.3　大數據的影響　9
1.3.1　大數據對科學研究的影響　10
1.3.2　大數據對思維方式的影響　11
1.3.3　大數據對社會發(fā)展的影響　11
1.3.4　大數據對就業(yè)市場的影響　12
1.3.5　大數據對人才培養(yǎng)的影響　13
1.4　大數據的應用　14
1.5　大數據關鍵技術　14
1.6　大數據計算模式　15
1.6.1　批處理計算　16
1.6.2　流計算　16
1.6.3　圖計算　16
1.6.4　查詢分析計算　17
1.7　大數據產業(yè)　17
1.8　大數據與云計算、物聯網　18
1.8.1　云計算　18
1.8.2　物聯網　21
1.8.3　大數據與云計算、物聯網的關系　25
1.9　本章小結　26
1.10　習題　26
第2章　大數據處理架構Hadoop　28
2.1　概述　28
2.1.1　Hadoop簡介　28
2.1.2　Hadoop的發(fā)展簡史　28
2.1.3　Hadoop的特性　29
2.1.4　Hadoop的應用現狀　29
2.1.5　Hadoop的版本　30
2.2　Hadoop生態(tài)系統(tǒng)　30
2.2.1　HDFS　31
2.2.2　HBase　31
2.2.3　MapReduce　31
2.2.4　Hive　32
2.2.5　Pig　32
2.2.6　Mahout　32
2.2.7　Zookeeper　32
2.2.8　Flume　32
2.2.9　Sqoop　32
2.2.10　Ambari　33
2.3　Hadoop的安裝與使用　33
2.3.1　創(chuàng)建Hadoop用戶　33
2.3.2　Java的安裝　34
2.3.3　SSH登錄權限設置　34
2.3.4　安裝單機Hadoop　34
2.3.5　Hadoop偽分布式安裝　35
2.4　本章小結　37
2.5　習題　38
實驗1　安裝Hadoop　38
第二篇　大數據存儲與管理
第3章　分布式文件系統(tǒng)HDFS　42
3.1　分布式文件系統(tǒng)　42
3.1.1　計算機集群結構　42
3.1.2　分布式文件系統(tǒng)的結構　43
3.1.3　分布式文件系統(tǒng)的設計需求　44
3.2　HDFS簡介　44
3.3　HDFS的相關概念　45
3.3.1　塊　45
3.3.2　名稱節(jié)點和數據節(jié)點　46
3.3.3　第二名稱節(jié)點　47
3.4　HDFS體系結構　48
3.4.1　概述　48
3.4.2　HDFS命名空間管理　49
3.4.3　通信協(xié)議　49
3.4.4　客戶端　50
3.4.5　HDFS體系結構的局限性　50
3.5　HDFS的存儲原理　50
3.5.1　數據的冗余存儲　50
3.5.2　數據存取策略　51
3.5.3　數據錯誤與恢復　52
3.6　HDFS的數據讀寫過程　53
3.6.1　讀數據的過程　53
3.6.2　寫數據的過程　54
3.7　HDFS編程實踐　55
3.7.1　HDFS常用命令　55
3.7.2　HDFS的Web界面　56
3.7.3　HDFS常用Java API及應用實例　57
3.8　本章小結　60
3.9　習題　61
實驗2　熟悉常用的HDFS操作　61
第4章　分布式數據庫HBase　63
4.1　概述　63
4.1.1　從BigTable說起　63
4.1.2　HBase簡介　63
4.1.3　HBase與傳統(tǒng)關系數據庫的
對比分析　64
4.2　HBase訪問接口　65
4.3　HBase數據模型　66
4.3.1　數據模型概述　66
4.3.2　數據模型的相關概念　66
4.3.3　數據坐標　67
4.3.4　概念視圖　68
4.3.5　物理視圖　69
4.3.6　面向列的存儲　69
4.4　HBase的實現原理　71
4.4.1　HBase的功能組件　71
4.4.2　表和Region　71
4.4.3　Region的定位　72
4.5　HBase運行機制　74
4.5.1　HBase系統(tǒng)架構　74
4.5.2　Region服務器的工作原理　76
4.5.3　Store的工作原理　77
4.5.4　HLog的工作原理　77
4.6　HBase編程實踐　78
4.6.1　HBase常用的Shell命令　78
4.6.2　HBase常用的Java API及
應用實例　80
4.7　本章小結　90
4.8　習題　90
實驗3　熟悉常用的HBase操作　91
第5章　NoSQL數據庫　94
5.1　NoSQL簡介　94
5.2　NoSQL興起的原因　95
5.2.1　關系數據庫無法滿足
Web　2.0的需求　95
5.2.2　關系數據庫的關鍵特性在Web 2.0時代成為“雞肋”　96
5.3　NoSQL與關系數據庫的比較　97
5.4　NoSQL的四大類型　98
5.4.1　鍵值數據庫　99
5.4.2　列族數據庫　100
5.4.3　文檔數據庫　100
5.4.4　圖數據庫　101
5.5　NoSQL的三大基石　101
5.5.1　CAP　101
5.5.2　BASE　103
5.5.3　最終一致性　104
5.6　從NoSQL到NewSQL數據庫　105
5.7　本章小結　107
5.8　習題　107
第6章　云數據庫　108
6.1　云數據庫概述　108
6.1.1　云計算是云數據庫興起的基礎　108
6.1.2　云數據庫的概念　109
6.1.3　云數據庫的特性　110
6.1.4　云數據庫是個性化數據
存儲需求的理想選擇　111
6.1.5　云數據庫與其他數據庫的關系　112
6.2　云數據庫產品　113
6.2.1　云數據庫廠商概述　113
6.2.2　Amazon的云數據庫產品　113
6.2.3　Google的云數據庫產品　114
6.2.4　微軟的云數據庫產品　114
6.2.5　其他云數據庫產品　115
6.3　云數據庫系統(tǒng)架構　115
6.3.1　UMP系統(tǒng)概述　115
6.3.2　UMP系統(tǒng)架構　116
6.3.3　UMP系統(tǒng)功能　118
6.4　云數據庫實踐　121
6.4.1　阿里云RDS簡介　121
6.4.2　RDS中的概念　121
6.4.3　購買和使用RDS數據庫　122
6.4.4　將本地數據庫遷移到云端RDS
數據庫　126
6.5　本章小結　127
6.6　習題　127
實驗4　熟練使用RDS for MySQL
數據庫　128
第三篇　大數據處理與分析
第7章　MapReduce　132
7.1　概述　132
7.1.1　分布式并行編程　132
7.1.2　MapReduce模型簡介　133
7.1.3　Map和Reduce函數　133
7.2　MapReduce的工作流程　134
7.2.1　工作流程概述　134
7.2.2　MapReduce的各個執(zhí)行階段　135
7.2.3　Shuffle過程詳解　136
7.3　實例分析：WordCount　139
7.3.1　WordCount的程序任務　139
7.3.2　WordCount的設計思路　139
7.3.3　WordCount的具體執(zhí)行過程　140
7.3.4　一個WordCount執(zhí)行過程的
實例　141
7.4　MapReduce的具體應用　142
7.4.1　MapReduce在關系代數運算中的應用　142
7.4.2　分組與聚合運算　144
7.4.3　矩陣-向量乘法　144
7.4.4　矩陣乘法　144
7.5　MapReduce編程實踐　145
7.5.1　任務要求　145
7.5.2　編寫Map處理邏輯　146
7.5.3　編寫Reduce處理邏輯　147
7.5.4　編寫main方法　147
7.5.5　編譯打包代碼以及運行程序　148
7.6　本章小結　150
7.7　習題　151
實驗5　MapReduce編程初級實踐　152
第8章　Hadoop再探討　155
8.1　Hadoop的優(yōu)化與發(fā)展　155
8.1.1　Hadoop的局限與不足　155
8.1.2　針對Hadoop的改進與提升　156
8.2　HDFS2.0的新特性　156
8.2.1　HDFS HA　157
8.2.2　HDFS聯邦　158
8.3　新一代資源管理調度框架YARN　159
8.3.1　MapReduce1.0的缺陷　159
8.3.2　YARN設計思路　160
8.3.3　YARN體系結構　161
8.3.4　YARN工作流程　163
8.3.5　YARN框架與MapReduce1.0
框架的對比分析　164
8.3.6　YARN的發(fā)展目標　165
8.4　Hadoop生態(tài)系統(tǒng)中具有代表性的
功能組件　166
8.4.1　Pig　166
8.4.2　Tez　167
8.4.3　Kafka　169
8.5　本章小結　170
8.6　習題　170
第9章　Spark　172
9.1　概述　172
9.1.1　Spark簡介　172
9.1.2　Scala簡介　173
9.1.3　Spark與Hadoop的對比　174
9.2　Spark生態(tài)系統(tǒng)　175
9.3　Spark運行架構　177
9.3.1　基本概念　177
9.3.2　架構設計　177
9.3.3　Spark運行基本流程　178
9.3.4　RDD的設計與運行原理　179
9.4　Spark的部署和應用方式　184
9.4.1　Spark三種部署方式　184
9.4.2　從“Hadoop+Storm”架構轉向
Spark架構　185
9.4.3　Hadoop和Spark的統(tǒng)一部署　186
9.5　Spark編程實踐　186
9.5.1　啟動Spark Shell　187
9.5.2　Spark RDD基本操作　187
9.5.3　Spark應用程序　189
9.6　本章小結　192
9.7　習題　193
第10章　流計算　194
10.1　流計算概述　194
10.1.1　靜態(tài)數據和流數據　194
10.1.2　批量計算和實時計算　195
10.1.3　流計算的概念　196
10.1.4　流計算與Hadoop　196
10.1.5　流計算框架　197
10.2　流計算的處理流程　197
10.2.1　概述　197
10.2.2　數據實時采集　198
10.2.3　數據實時計算　198
10.2.4　實時查詢服務　199
10.3　流計算的應用　199
10.3.1　應用場景1：實時分析　199
10.3.2　應用場景2：實時交通　200
10.4　開源流計算框架Storm　200
10.4.1　Storm簡介　201
10.4.2　Storm的特點　201
10.4.3　Storm的設計思想　202
10.4.4　Storm的框架設計　203
10.4.5　Storm實例　204
10.5　Spark Streaming　206
10.5.1　Spark Streaming設計　206
10.5.2　Spark Streaming與Storm的
對比　207
10.6　本章小結　208
10.7　習題　208
第11章　圖計算　210
11.1　圖計算簡介　210
11.1.1　傳統(tǒng)圖計算解決方案的
　不足之處　210
11.1.2　圖計算通用軟件　211
11.2　Pregel簡介　211
11.3　Pregel圖計算模型　212
11.3.1　有向圖和頂點　212
11.3.2　頂點之間的消息傳遞　212
11.3.3　Pregel的計算過程　213
11.3.4　實例　214
11.4　Pregel的C++ API　216
11.4.1　消息傳遞機制　217
11.4.2　Combiner　217
11.4.3　Aggregator　218
11.4.4　拓撲改變　218
11.4.5　輸入和輸出　218
11.5　Pregel的體系結構　219
11.5.1　Pregel的執(zhí)行過程　219
11.5.2　容錯性　220
11.5.3　Worker　221
11.5.4　Master　221
11.5.5　Aggregator　222
11.6　Pregel的應用實例　222
11.6.1　單源最短路徑　222
11.6.2　二分匹配　223
11.7　Pregel和MapReduce實現PageRank算法的對比　224
11.7.1　PageRank算法　224
11.7.2　PageRank算法在Pregel中的
實現　225
11.7.3　PageRank算法在MapReduce
中的實現　225
11.7.4　PageRank算法在Pregel
和MapReduce中實現的比較　228
11.8　本章小結　228
11.9　習題　228
第12章　數據可視化　230
12.1　可視化概述　230
12.1.1　什么是數據可視化　230
12.1.2　可視化的發(fā)展歷程　230
12.1.3　可視化的重要作用　231
12.2　可視化工具　233
12.2.1　入門級工具　233
12.2.2　信息圖表工具　234
12.2.3　地圖工具　235
12.2.4　時間線工具　236
12.2.5　高級分析工具　236
12.3　可視化典型案例　237
12.3.1　全球黑客活動　237
12.3.2　互聯網地圖　237
12.3.3　編程語言之間的影響力關系圖　238
12.3.4　百度遷徙　239
12.3.5　世界國家健康與財富之間的
關系　239
12.3.6　3D可視化互聯網地圖APP　239
12.4　本章小結　240
12.5　習題　240
第四篇　大數據應用
第13章　大數據在互聯網領域的
應用　242
13.1　推薦系統(tǒng)概述　242
13.1.1　什么是推薦系統(tǒng)　242
13.1.2　長尾理論　243
13.1.3　推薦方法　243
13.1.4　推薦系統(tǒng)模型　244
13.1.5　推薦系統(tǒng)的應用　244
13.2　協(xié)同過濾　245
13.2.1　基于用戶的協(xié)同過濾　245
13.2.2　基于物品的協(xié)同過濾　246
13.2.3　UserCF算法和ItemCF算法的
對比　248
13.3　協(xié)同過濾實踐　248
13.3.1　實踐背景　248
13.3.2　數據處理　249
13.3.3　計算相似度矩陣　249
13.3.4　計算推薦結果　250
13.3.5　展示推薦結果　250
13.4　本章小結　251
13.5　習題　251
第14章　大數據在生物醫(yī)學
領域的應用　252
14.1　流行病預測　252
14.1.1　傳統(tǒng)流行病預測機制的不足　252
14.1.2　基于大數據的流行病預測　253
14.1.3　基于大數據的流行病預測的
重要作用　253
14.1.4　案例：百度疾病預測　254
14.2　智慧醫(yī)療　255
14.3　生物信息學　256
14.4　案例：基于大數據的綜合健康服務
平臺　257
14.4.1　平臺概述　257
14.4.2　平臺業(yè)務架構　258
14.4.3　平臺技術架構　258
14.4.4　平臺關鍵技術　259
14.5　本章小結　260
14.6　習題　261
第15章　大數據的其他應用　262
15.1　大數據在物流領域中的應用　262
15.1.1　智能物流的概念　262
15.1.2　智能物流的作用　263
15.1.3　智能物流的應用　263
15.1.4　大數據是智能物流的關鍵　263
15.1.5　中國智能物流骨干網—菜鳥　264
15.2　大數據在城市管理中的應用　266
15.2.1　智能交通　266
15.2.2　環(huán)保監(jiān)測　267
15.2.3　城市規(guī)劃　268
15.2.4　安防領域　269
15.3　大數據在金融行業(yè)中的應用　269
15.3.1　高頻交易　269
15.3.2　市場情緒分析　269
15.3.3　信貸風險分析　270
15.4　大數據在汽車行業(yè)中的應用　271
15.5　大數據在零售行業(yè)中的應用　272
15.5.1　發(fā)現關聯購買行為　272
15.5.2　客戶群體細分　273
15.5.3　供應鏈管理　273
15.6　大數據在餐飲行業(yè)中的應用　274
15.6.1　餐飲行業(yè)擁抱大數據　274
15.6.2　餐飲O2O　274
15.7　大數據在電信行業(yè)中的應用　276
15.8　大數據在能源行業(yè)中的應用　276
15.9　大數據在體育和娛樂領域中的
應用　277
15.9.1　訓練球隊　277
15.9.2　投拍影視作品　278
15.9.3　預測比賽結果　279
15.10　大數據在安全領域中的應用　280
15.10.1　大數據與國家安全　280
15.10.2　應用大數據技術防御
網絡攻擊　280
15.10.3　警察應用大數據工具
預防犯罪　281
15.11　大數據在政府領域中的應用　282
15.12　大數據在日常生活中的應用　283
15.13　本章小結　284
15.14　習題　284
參考文獻　285