第一部分 概述 2
第1章 数据导论 2
1.1探索数据 3
1.2什么是企业数据 4
1.3企业数据管理 5
1.4大数据相关概念 6
1.5数据与企业的相关性 8
1.6数据质量 9
1.7企业中数据如何存放 10
1.7.1内联网（企业内部） 10
1.7.2互联网（企业外部） 10
1.7.3数据持久化存储（RDBMS或者NoSQL） 12
1.7.4传统的数据仓库 13
1.7.5文件存储 13
1.8企业现状 14
1.9企业数字化转型 15
1.10数据湖用例启示 16
1.11总结 17
第2章 数据湖概念概览 18
2.1什么是数据湖 18
2.2数据湖如何帮助企业 19
2.3数据湖是如何工作的 20
2.4数据湖与数据仓库的区别 21
2.5数据湖的构建方法 22
2.6 Lambda架构驱动的数据湖 22
2.6.1数据摄取层——摄取数据用于处理和存储 23
2.6.2批处理层——批量处理已提取数据 23
2.6.3快速处理层——近实时数据处理 24
2.6.4数据存储层——存储所有数据 24
2.6.5服务层——数据交付与导出 25
2.6.6数据获取层——从源系统获取数据 25
2.6.7消息层——数据传输的保障 26
2.6.8探索数据摄取层 27
2.6.9探索Lambda层 28
2.7总结 35
第3章 Lambda架构：一种数据湖实现模式 36
3.1什么是Lambda架构 36
3.2 Lambda架构简史 37
3.3 Lambda架构的原则 37
3.3.1容错原则 38
3.3.2不可变数据原则 38
3.3.3重新计算原则 38
3.4 Lambda架构的组件 38
3.4.1批处理层 39
3.4.2快速处理层 41
3.4.3服务层 43
3.5 Lambda架构的完整工作原理 44
3.6 Lambda架构的优势 45
3.7 Lambda架构的劣势 46
3.8 Lambda架构技术概览 46
3.9应用Lambda 47
3.9.1企业级日志分析 47
3.9.2获取和分析传感器数据 47
3.9.3电子邮件平台实时统计 48
3.9.4实时赛事分析 48
3.9.5推荐引擎 48
3.9.6安全威胁分析 48
3.9.7多渠道用户行为分析 48
3.10 Lambda架构运行范例 48
3.11 Kappa架构 49
3.12总结 50
第4章 数据湖中的Lambda应用 51
4.1 Hadoop发行版本介绍 51
4.2影响企业大数据技术栈选择的因素 53
4.2.1技术能力 53
4.2.2是否易于部署和维护 53
4.2.3集成准备 53
4.3批处理层与数据处理 53
4.3.1 NameNode服务器 54
4.3.2 Secondary NameNode 服务器 55
4.3.3 YARN 55
4.3.4数据存储节点 55
4.3.5 快速处理层 56
4.3.6 Flume用于数据获取 57
4.3.7 Spark Streaming 58
4.4服务层 62
4.4.1数据存储层 62
4.4.2数据访问层 63
4.5总结 64
第二部分 数据湖的技术组件 68
第5章 基于Apache Sqoop的批量数据获取 68
5.1数据湖背景中的数据获取 68
5.1.1数据获取层 68
5.1.2批量数据获取——技术路线图 69
5.2为什么使用Apache Sqoop 70
5.2.1 Sqoop简史 71
5.2.2 Sqoop的优势 71
5.2.3 Sqoop的劣势 72
5.3 Sqoop的功能 72
5.3.1 Sqoop 2的架构 74
5.3.2 Sqoop 1与Sqoop 2 75
5.3.3 Sqoop的功能 77
5.3.4使用Sqoop导入数据 77
5.3.5使用Sqoop导出数据 78
5.4 Sqoop connector 79
5.5 Sqoop对HDFS的支持 81
5.6 Sqoop运行范例 81
5.6.1安装与配置 81
5.6.2数据源配置 90
5.6.3 Sqoop配置（数据库驱动） 91
5.6.4将HDFS配置为目的地 91
5.6.5 Sqoop数据导入 91
5.6.6 Sqoop数据导出 97
5.6.7 Sqoop job 98
5.6.8 Sqoop 2 99
5.6.9 SCV用例视角中的Sqoop 102
5.7适合使用Sqoop的场景 103
5.8不适合使用Sqoop的场景 104
5.9实时Sqooping是否可行 104
5.10其他选项 104
5.10.1原生大数据connector 105
5.10.2 Talend 106
5.10.3 Pentaho Kettle （PDI——Pentaho数据集成） 106
5.11总结 106
第6章 基于Apache Flume的流式数据获取 108
6.1数据获取 108
6.1.1什么是流式数据 109
6.1.2批量数据和流式数据 110
6.1.3流式数据获取——技术路线图 110
6.1.4什么是Flume 111
6.1.5 Sqoop和Flume 112
6.2为什么使用Flume 113
6.2.1 Flume简史 113
6.2.2 Flume的优势 113
6.2.3 Flume的劣势 114
6.3 Flume的架构原则 114
6.4 Flume架构 115
6.4.1 Flume架构之一：分布式数据流水线 116
6.4.2 Flume架构之二：扇出 117
6.4.3 Flume架构之三：扇入 117
6.4.4 Flume架构中的3层设计 118
6.4.5高级Flume架构 118
6.4.6 Flume的可靠性级别 120
6.5 Flume事件——流式数据 120
6.6 Flume Agent 120
6.7 Flume Source 122
6.8 Flume Channel 123
6.9 Flume Sink 125
6.10 Flume配置 126
6.11 Flume事务管理 127
6.12 Flume的其他组件 128
6.12.1 Channel Processor 128
6.12.2 Interceptor 129
6.12.3 Channel Selector 129
6.12.4 Sink Group 130
6.12.5事件序列化 131
6.13上下文路由 131
6.14 Flume运行范例 132
6.14.1安装和配置 132
6.14.2 SCV用例中的Flume 133
6.15 适合使用Flume的场景 145
6.16不适合使用Flume的场景 145
6.17其他选项 146
6.17.1 Apache Flink 146
6.17.2Apache NiFi 146
6.18总结 147
第7章 使用Apache Kafka构建消息层 148
7.1数据湖背景中的消息层 148
7.1.1消息层 148
7.1.2消息层——技术路线图 149
7.1.3什么是Apache Kafka 150
7.2为什么使用Apache Kafka 150
7.2.1 Kafka简史 151
7.2.2 Kafka的优势 152
7.2.3 Kafka的劣势 153
7.3 Kafka的架构 153
7.3.1 Kafka架构的核心原则 153
7.3.2数据流的生命周期 154
7.3.3 Kafka的工作原理 155
7.3.4 Kafka的消息 156
7.3.5 Kafka生产者 157
7.3.6 Kafka topic中的数据持久化 157
7.3.7 Kafka中topic的划分：partition 158
7.3.8 Kafka中的消息broker 159
7.3.9 Kafka的消费者 160
7.4其他Kafka组件 161
7.4.1 ZooKeeper 161
7.4.2 MirrorMaker 161
7.5 Kafka编程接口 162
7.5.1 Kafka核心API 162
7.5.2 Kafka REST接口 162
7.6生产者和消费者的可靠性 162
7.7 Kafka的安全性 163
7.8 Kafka作为面向消息的中间件 164
7.9 Kafka与水平可扩展架构 165
7.10 Kafka连接 165
7.11 Kafka运行范例 166
7.11.1安装 166
7.11.2生产者：向Kafka写入数据 167
7.11.3消费者：从Kafka获取数据 171
7.11.4设置多broker集群 173
7.11.5 SCV用例中的Kafka应用 176
7.12适合使用Kafka的场景 176
7.13不合适使用Kafka的场景 177
7.14其他选项 177
7.14.1 RabbitMQ 177
7.14.2 ZeroMQ 179
7.14.3 Apache ActiveMQ 179
7.15 总结 180
第8章 使用Apache Flink处理数据 181
8.1数据湖背景中的数据摄取层 181
8.1.1数据摄取层 182
8.1.2数据摄取层——技术路线图 183
8.1.3什么是Apache Flink 184
8.2为什么使用Apache Flink 184
8.2.1 Flink简史 185
8.2.2 Flink的优势 186
8.2.3 Flink的劣势 187
8.3 Flink的工作原理 187
8.3.1 Flink架构 187
8.3.2 Flink架构的核心原则 192
8.3.3 Flink组件栈 192
8.3.4 Flink中的Checkpointing 192
8.3.5 Flink中的Savepoint 194
8.3.6 Flink中的流窗口选项 195
8.3.7内存管理 197
8.4 Flink的API 197
8.4.1 DataStream API 198
8.4.2 DataSet API 200
8.4.3 Flink领域相关库 202
8.5 Flink运行范例 203
8.5.1安装 204
8.5.2范例——使用Flink处理数据 205
8.5.3 SCV用例中的Flink 212
8.6适合使用Flink的场景 217
8.7不适合使用Flink的场景 218
8.8其他选项 218
8.8.1 Apache Spark 218
8.8.2 Apache Storm 219
8.8.3 Apache Tez 219
8.9总结 220
第9章 使用Apache Hadoop存储数据 221
9.1数据湖背景中的数据存储和Lambda批处理层 221
9.1.1数据存储和Lambda批处理层 222
9.1.2数据存储和Lambda批处理层——技术路线图 223
9.1.3什么是Apache Hadoop 224
9.2为什么使用Hadoop 224
9.2.1 Hadoop简史 225
9.2.2 Hadoop的优势 225
9.2.3 Hadoop的劣势 226
9.3 Hadoop的工作原理 227
9.3.1 Hadoop架构的核心原则 227
9.3.2 Hadoop架构 228
9.3.3 Hadoop架构组件 231
9.3.4 Hadoop架构细节 233
9.4 Hadoop生态系统 234
9.4.1数据访问/处理组件 235
9.4.2数据存储组件 236
9.4.3监控、管理和协调组件 237
9.4.4数据集成组件 239
9.5 Hadoop发行版 240
9.6 HDFS和数据格式 241
9.7 Hadoop用于近实时应用 242
9.8 Hadoop部署模式 243
9.9 Hadoop运行范例 243
9.9.1安装 244
9.9.2数据准备 244
9.9.3安装Hive 244
9.9.4范例——批量数据加载 247
9.9.5范例——MapReduce数据处理 248
9.9.6 SCV用例中的Hadoop 254
9.10不适合使用Hadoop的场景 262
9.11其他选项 263
9.12总结 263
第10章 使用Elasticsearch存储全文索引 264
10.1数据湖背景中的数据存储层与Lambda快速处理层 264
10.1.1数据存储层与Lambda快速处理层 265
10.1.2数据存储层与Lambda快速处理层——技术路线图 265
10.2什么是Elasticsearch 266
10.3为什么使用Elasticsearch 266
10.3.1 Elasticsearch简史 267
10.3.2 Elasticsearch的优势 268
10.3.3 Elasticsearch的劣势 269
10.4 Elasticsearch的工作原理 269
10.4.1 Elasticsearch架构的核心原则 269
10.4.2 Elasticsearch术语 270
10.5 Elastic Stack 273
10.5.1 Kibana 273
10.5.2 Elasticsearch 275
10.5.3 Logstash 276
10.5.4 Beats 277
10.6 Elastic Cloud 279
10.7 Elasticsearch DSL 281
10.8 Elasticsearch中的节点 283
10.8.1 Master节点 283
10.8.2 Data节点 283
10.8.3 Client节点 284
10.9 Elasticsearch与关系数据库 284
10.10 Elasticsearch生态系统 285
10.10.1 Elasticsearch分析器 285
10.10.2 Elasticsearch插件 286
10.11 Elasticsearch部署选项 287
10.12 Elasticsearch Client 287
10.13 Elasticsearch用于快速流式处理 288
10.14 Elasticsearch作为数据源 289
10.15 Elasticsearch用于内容索引 289
10.16 Elasticsearch与Hadoop 289
10.17 Elasticsearch运行范例 290
10.17.1安装 291
10.17.2创建和删除索引 293
10.17.3对文档进行索引 294
10.17.4获取被索引的文档 296
10.17.5搜索文档 296
10.17.6更新文档 299
10.17.7删除文档 299
10.17.8 SCV用例中的Elasticsearch 300
10.18适合使用Elasticsearch的场景 317
10.19不适合使用Elasticsearch的场景 317
10.20其他选项 318
10.21总结 319
第三部分 将所有技术整合在一起 322
第11章 数据湖组件集成 322
11.1数据湖的学习进程 322
11.2数据湖架构的核心原则 324
11.3企业数据湖面临的挑战 324
11.4企业对数据湖的期望 326
11.5数据湖的其他用途 326
11.6了解更多关于数据存储的信息 327
11.6.1数据存储区域 327
11.6.2数据模式和模型 329
11.6.3存储选项 329
11.6.4压缩方法 331
11.6.5 数据分区 332
11.7更多关于数据处理的知识 333
11.7.1数据校验和清洗 333
11.7.2机器学习 334
11.7.3调度器/工作流 334
11.7.4 Apache Oozie 335
11.7.5复杂事件处理 340
11.8数据安全 341
11.8.1 Apache Knox 342
11.8.2 Apache Ranger 342
11.8.3 Apache Sentry 344
11.9数据加密 345
11.10元数据管理和治理 346
11.10.1元数据 346
11.10.2数据治理 347
11.10.3数据世系 347
11.10.4如何实现 348
11.11数据审计 350
11.12数据可追溯性 350
11.13了解更多服务层细节 351
11.13.1服务层构建原则 351
11.13.2服务类型 351
11.13.3服务层组件 353
11.13.4数据导出 355
11.13.5混合数据访问 355
11.13.6范例——服务层 355
11.14总结 360
第12章 数据湖用例建议 361
12.1在企业中推行网络安全实践 361
12.2深入了解企业的客户 362
12.3提升仓储管理效率 363
12.4品牌创建与企业营销 364
12.5为客户提供更个性化的服务 366
12.6让物联网数据触手可及 367
12.7更实用的数据归档 367
12.8现有的数据仓库基础设施 368
12.9实现电信安全和法规遵从 368
12.10总结 369