HAWQ数据仓库与数据挖掘实战PDF电子书下载

第一部分 HAWQ技术解析 3

第1章 HAWQ概述 3

1.1 SQL-on-Hadoop 3

1.1.1对SQL-on-Hadoop的期待 3

1.1.2 SQL-on-Hadoop的实现方式 4

1.2 HAWQ简介 6

1.2.1历史与现状 7

1.2.2功能特性 7

1.3 HAWQ系统架构 9

1.3.1系统架构 10

1.3.2内部架构 11

1.4为什么选择HAWQ 12

1.4.1常用SQL-on-Hadoop产品的不足 12

1.4.2 HAWQ的可行性 13

1.4.3适合DBA的解决方案 18

1.5小结 18

第2章 HAWQ安装部署 19

2.1安装规划 19

2.1.1选择安装介质 19

2.1.2选择HAWQ版本 20

2.1.3确认Ambari与HDP的版本兼容性 20

2.2安装前准备 21

2.2.1确认最小系统需求 21

2.2.2准备系统安装环境 22

2.2.3建立本地Repository 24

2.3安装Ambari 25

2.4安装HDP集群 27

2.5安装HAWQ 29

2.6启动与停止HAWQ 34

2.6.1基本概念 34

2.6.2操作环境 34

2.6.3基本操作 36

2.7小结 40

第3章 连接管理 41

3.1配置客户端身份认证 41

3.2管理角色与权限 45

3.2.1 HAWQ中的角色与权限 45

3.2.2管理角色及其成员 46

3.2.3管理对象权限 48

3.2.4口令加密 49

3.3 psql连接HAWQ 50

3.4 Kettle连接HAWQ 52

3.5连接常见问题 55

3.6小结 56

第4章 数据库对象管理 57

4.1创建和管理数据库 57

4.2创建和管理表空间 61

4.3创建和管理模式 65

4.4创建和管理表 72

4.4.1创建表 72

4.4.2删除表 74

4.4.3查看表对应的HDFS文件 74

4.5创建和管理视图 76

4.6管理其他对象 77

4.7小结 78

第5章 分区表 79

5.1 HAWQ中的分区表 79

5.2确定分区策略 80

5.3创建分区表 81

5.3.1范围分区与列表分区 81

5.3.2多级分区 86

5.3.3对已存在的非分区表进行分区 86

5.4分区消除 87

5.5分区表维护 91

5.6小结 98

第6章 存储管理 99

6.1数据存储选项 99

6.2数据分布策略 103

6.2.1数据分布策略概述 103

6.2.2选择数据分布策略 104

6.2.3数据分布用法 108

6.3从已有的表创建新表 111

6.4小结 117

第7章 资源管理 118

7.1 HAWQ资源管理概述 118

7.1.1全局资源管理 118

7.1.2 HAWQ资源队列 119

7.1.3资源管理器配置原则 119

7.2配置独立资源管理器 120

7.3整合YARN 123

7.4管理资源队列 129

7.5查询资源管理器状态 134

7.6小结 137

第8章 数据管理 138

8.1基本数据操作 138

8.2数据装载与卸载 141

8.2.1 gpfdist协议及其外部表 141

8.2.2基于Web的外部表 148

8.2.3使用外部表装载数据 151

8.2.4外部表错误处理 151

8.2.5使用hawq load装载数据 152

8.2.6使用COPY复制数据 155

8.2.7卸载数据 157

8.2.8 hawq register 159

8.2.9格式化数据文件 159

8.3数据库统计 163

8.3.1系统统计 163

8.3.2统计配置 166

8.4 PXF 168

8.4.1安装配置PXF 168

8.4.2 PXF profile 168

8.4.3访问HDFS文件 170

8.4.4访问Hive数据 174

8.4.5访问JSON数据 186

8.4.6向HDFS中写入数据 190

8.5小结 194

第9章 过程语言 195

9.1 HAWQ内建SQL语言 195

9.2 PL/pgSQL函数 197

9.3给HAWQ内部函数起别名 198

9.4表函数 198

9.5参数个数可变的函数 201

9.6多态类型 202

9.7 UDF管理 205

9.8 UDF实例——递归树形遍历 207

9.9小结 214

第10章 查询优化 215

10.1 HAWQ的查询处理流程 215

10.2 GPORCA查询优化器 217

10.2.1 GPORCA的改进 218

10.2.2启用GPORCA 224

10.2.3使用GPORCA需要考虑的问题 225

10.2.4 GPORCA的限制 227

10.3性能优化 228

10.4查询剖析 232

10.5小结 238

第11章 高可用性 239

11.1备份与恢复 239

11.1.1备份方法 239

11.1.2备份与恢复示例 242

11.2高可用性 247

11.2.1 HAWQ高可用简介 247

11.2.2 Master节点镜像 248

11.2.3 HAWQ文件空间与HDFS高可用 251

11.2.4 HAWQ容错服务 260

11.3小结 262

第二部分 HAWQ实战演练 265

第12章 建立数据仓库示例模型 265

12.1业务场景 265

12.2数据仓库架构 267

12.3实验环境 268

12.4 HAWQ相关配置 269

12.5创建示例数据库 273

12.5.1在hdp4上的MySQL中创建源库对象并生成测试数据 273

12.5.2创建目标库对象 275

12.5.3装载日期维度数据 283

12.6小结 284

第13章 初始ETL 285

13.1用Sqoop初始数据抽取 285

13.1.1覆盖导入 286

13.1.2增量导入 286

13.1.3建立初始抽取脚本 287

13.2向HAWQ初始装载数据 288

13.2.1数据源映射 288

13.2.2确定SCD处理方法 288

13.2.3实现代理键 289

13.2.4建立初始装载脚本 289

13.3建立初始ETL脚本 291

13.4小结 293

第14章 定期ETL 294

14.1变化数据捕获 294

14.2创建维度表版本视图 296

14.3创建时间戳表 297

14.4用Sqoop定期数据抽取 298

14.5建立定期装载HAWQ函数 298

14.6建立定期ETL脚本 303

14.7测试 303

14.7.1准备测试数据 303

14.7.2执行定期ETL脚本 304

14.7.3确认ETL过程正确执行 305

14.8动态分区滚动 307

14.9准实时数据抽取 309

14.10小结 317

第15章 自动调度执行ETL作业 318

15.1 Oozie简介 318

15.2建立工作流前的准备 320

15.3用Oozie建立定期ETL工作流 324

15.4 Falcon简介 328

15.5用Falcon process调度Oozie工作流 329

15.6小结 332

第16章 维度表技术 333

16.1增加列 333

16.2维度子集 342

16.3角色扮演维度 348

16.4层次维度 354

16.4.1固定深度的层次 355

16.4.2多路径层次 357

16.4.3参差不齐的层次 359

16.5退化维度 361

16.6杂项维度 366

16.7维度合并 374

16.8分段维度 380

16.9小结 386

第17章 事实表技术 387

17.1周期快照 388

17.2累积快照 394

17.3无事实的事实表 404

17.4迟到的事实 409

17.5累积度量 416

17.6小结 422

第18章 联机分析处理 423

18.1联机分析处理简介 423

18.1.1概念 423

18.1.2分类 424

18.1.3性能 426

18.2联机分析处理实例 427

18.2.1销售订单 427

18.2.2行列转置 433

18.3交互查询与图形化显示 440

18.3.1 Zeppelin简介 440

18.3.2使用Zeppelin执行HAWQ查询 441

18.4小结 448

第三部分 HAWQ数据挖掘 451

第19章 整合HAWQ与MADlib 451

19.1 MADlib简介 452

19.2安装与卸载MADlib 455

19.3 MADlib基础 458

19.3.1向量 458

19.3.2矩阵 469

19.4小结 484

第20章 奇异值分解 485

20.1奇异值分解简介 485

20.2 MADlib奇异值分解函数 486

20.3奇异值分解实现推荐算法 489

20.4小结 501

第21章 主成分分析 502

21.1主成分分析简介 502

21.2 MADlib的PCA相关函数 504

21.3 PCA应用示例 509

21.4小结 513

第22章 关联规则方法 514

22.1关联规则简介 514

22.2 Apriori算法 517

22.2.1 Apriori算法基本思想 517

22.2.2 Apriori算法步骤 518

22.3 MADlib的Apriori算法函数 518

22.4 Apriori应用示例 519

22.5小结 524

第23章 聚类方法 525

23.1聚类方法简介 525

23.2 k-means方法 526

23.2.1基本思想 527

23.2.2原理与步骤 527

23.2.3 k-means算法 527

23.3 MADlib的k-means相关函数 529

23.4 k-means应用示例 532

23.5小结 537

第24章 回归方法 538

24.1回归方法简介 538

24.2 Logistic回归 539

24.3 MADlib的Logistic回归相关函数 539

24.4 Logistic回归示例 542

24.5小结 546

第25章 分类方法 547

25.1分类方法简介 547

25.2决策树 549

25.2.1决策树的基本概念 549

25.2.2决策树的构建步骤 549

25.3 MADlib的决策树相关函数 551

25.4决策树示例 555

25.5小结 561

第26章 图算法 562

26.1图算法简介 562

26.2单源最短路径 565

26.3 MADlib的单源最短路径相关函数 566

26.4单源最短路径示例 567

26.5小结 569

第27章 模型验证 570

27.1交叉验证简介 570

27.2 MADlib的交叉验证相关函数 573

27.3交叉验证示例 575

27.4小结 578