第一部分 考虑Hadoop应用的架构设计 2
第1章 Hadoop数据建模 2
1.1 数据存储选型 3
1.1.1 标准文件格式 4
1.1.2 Hadoop文件类型 5
1.1.3 序列化存储格式 7
1.1.4 列式存储格式 8
1.1.5 压缩 10
1.2 HDFS模式设计 12
1.2.1 文件在HDFS中的位置 13
1.2.2 高级HDFS模式设计 14
1.2.3 HDFS模式设计总结 16
1.3 HBase模式设计 17
1.3.1 行键 17
1.3.2 时间戳 19
1.3.3 hop 20
1.3.4 表和Region 21
1.3.5 使用列 22
1.3.6 列簇 23
1.3.7 TTL 23
1.4 元数据管理 24
1.4.1 什么是元数据 24
1.4.2 为什么元数据至关重要 25
1.4.3 元数据的存储位置 25
1.4.4 元数据管理举例 26
1.4.5 Hive metastore与HCatalog的局限性 26
1.4.6 其他存储元数据的方式 27
1.5 结论 28
第2章 Hadoop数据移动 29
2.1 数据采集考量 29
2.1.1 数据采集的时效性 30
2.1.2 增量更新 31
2.1.3 访问模式 32
2.1.4 数据源系统及数据结构 33
2.1.5 变换 35
2.1.6 网络瓶颈 36
2.1.7 网络安全性 36
2.1.8 被动推送与主动请求 36
2.1.9 错误处理 37
2.1.10 复杂度 38
2.2 数据采集选择 38
2.2.1 文件传输 38
2.2.2 文件传输与其他采集方法的考量 41
2.2.3 Sqoop：Hadoop与关系数据库的批量传输 41
2.2.4 Flume：基于事件的数据收集及处理 46
2.2.5 Kafka 53
2.3 数据导出 57
2.4 小结 58
第3章 Hadoop数据处理 59
3.1 MapReduce 60
3.1.1 MapReduce概述 60
3.1.2 MapReduce示例 66
3.1.3 MapReduce使用场景 71
3.2 Spark 72
3.2.1 Spark概述 72
3.2.2 Spark组件概述 73
3.2.3 Spark基本概念 73
3.2.4 Spark的优点 76
3.2.5 Spark示例 77
3.2.6 Spark使用场景 79
3.3 抽象层 80
3.3.1 Pig 81
3.3.2 Pig示例 81
3.3.3 Pig使用场景 83
3.4 Crunch 84
3.4.1 Crunch示例 85
3.4.2 Crunch使用场景 88
3.5 Cascading 89
3.5.1 Cascading示例 89
3.5.2 Cascading使用场景 92
3.6 Hive 92
3.6.1 Hive概述 92
3.6.2 Hive示例 93
3.6.3 Hive使用场景 97
3.7 Impala 98
3.7.1 Impala概述 98
3.7.2 面向高速查询的设计 99
3.7.3 Impala示例 101
3.7.4 Impala使用场景 102
3.8 小结 102
第4章 Hadoop数据处理通用范式 104
4.1 模式一：依主键移除重复记录 104
4.1.1 去重示例的测试数据生成 105
4.1.2 代码示例：使用Scala实现Spark去重 106
4.1.3 代码示例：使用SQL实现去重 108
4.2 模式二：数据开窗分析 108
4.2.1 生成开窗分析的示例数据 109
4.2.2 代码示例：使用Spark分析数据的高峰和低谷 110
4.2.3 代码示例：使用SQL分析数据的高峰和低谷 113
4.3 模式三：基于时间序列的更新 115
4.3.1 利用HBase的版本特性 116
4.3.2 以记录主键与开始时间作HBase的行键 116
4.3.3 重写HDFS数据更新整个表 116
4.3.4 利用HDFS上的分区存储当前记录和历史记录 117
4.3.5 生成时间序列的示例数据 117
4.3.6 代码示例：使用Spark更新时间序列数据 118
4.3.7 代码示例：使用SQL更新时间序列数据 120
4.4 小结 123
第5章 Hadoop图处理 124
5.1 什么是图 124
5.2 什么是图处理 126
5.3 分布式系统中的图处理 127
5.3.1 块同步并行模型 127
5.3.2 BSP举例 128
5.4 Giraph 129
5.4.1 数据的输入和分片 130
5.4.2 使用BSP批处理图 132
5.4.3 将图回写磁盘 136
5.4.4 整体流程控制 137
5.4.5 何时选用Giraph 138
5.5 GraphX 138
5.5.1 另一种RDD 138
5.5.2 GrapnX的Pregel接口 140
5.5.3 vprog（） 142
5.5.4 sendMessage（） 142
5.5.5 mergeMessage（） 142
5.6 工具选择 143
5.7 小结 143
第6章 协调调度 144
6.1 工作流协调调度的必要性 144
6.2 脚本的局限性 145
6.3 企业级任务调度器及Hadoop 146
6.4 Hadoop生态系统中的工作流框架 146
6.5 Oozie术语 147
6.6 Oozie概述 148
6.7 Oozie工作流 150
6.8 工作流范式 152
6.8.1 点对点式工作流 152
6.8.2 扇出式工作流 154
6.8.3 分支决策式工作流 156
6.9 工作流参数化 159
6.10 Classpath定义 160
6.11 调度模式 161
6.11.1 依频次调度 162
6.11.2 时间或数据触发式 162
6.12 执行工作流 166
6.13 小结 166
第7章 Hadoop近实时处理 167
7.1 流处理 169
7.2 Apache Storm 170
7.2.1 Storm高级架构 171
7.2.2 Storm拓扑 172
7.2.3 元组及数据流 173
7.2.4 spout和bolt 173
7.2.5 数据流分组 174
7.2.6 Storm应用的可靠性 175
7.2.7 仅处理一次机制 175
7.2.8 容错性 176
7.2.9 Storm与HDFS集成 176
7.2.10 Storm与HBase集成 176
7.2.11 Storm示例：简单移动平均 177
7.2.12 Storm评估 183
7.3 Trident接口 183
7.3.1 Trident示例：简单移动平均 184
7.3.2 Trident评估 186
7.4 Spark Streaming 186
7.4.1 Spark Streaming概述 187
7.4.2 Spark Streaming示例：简单求和 187
7.4.3 Spark Streaming示例：多路输入 188
7.4.4 Spark Streaming示例：状态维护 189
7.4.5 Spark Streaming示例：窗口函数 191
7.4.6 Spark Streaming示例：Streaming与ETL代码比较 191
7.4.7 Spark Streaming评估 193
7.5 Flume拦截器 193
7.6 工具选择 194
7.6.1 低延迟的数据扩充、验证、报警及采集 194
7.6.2 NRT技术、滚动平均及迭代处理 195
7.6.3 复杂数据流 196
7.7 小结 197
第二部分 案例研究 200
第8章 点击流分析 200
8.1 用例场景定义 200
8.2 使用Hadoop进行点击流分析 202
8.3 设计概述 202
8.4 数据存储 203
8.5 数据采集 205
8.5.1 客户端层 208
8.5.2 收集器层 210
8.6 数据处理 212
8.6.1 数据去重 214
8.6.2 会话生成 215
8.7 数据分析 217
8.8 协调调度 218
8.9 小结 221
第9章 欺诈检测 222
9.1 持续改善 222
9.2 开始行动 223
9.3 欺诈检测系统架构需求 223
9.4 用例介绍 223
9.5 架构设计 224
9.6 客户端架构 226
9.7 画像存储及访问 226
9.7.1 缓存 227
9.7.2 HBase数据定义 228
9.7.3 事务状态更新：通过或否决 231
9.8 数据采集 232
9.9 近实时处理与探索性分析 238
9.10 近实时处理 238
9.11 探索性分析 239
9.12 其他架构对比 240
9.12.1 Flume拦截器 240
9.12.2 从Kafka到Storm或Spark Streaming 241
9.12.3 扩展的业务规则引擎 241
9.13 小结 242
第10章 数据仓库 243
10.1 使用Hadoop构建数据仓库 245
10.2 用例场景定义 247
10.3 OLTP模式 248
10.4 数据仓库：术语介绍 249
10.5 数据仓库的Hadoop实践 251
10.6 架构设计 251
10.6.1 数据建模及存储 252
10.6.2 数据采集 261
10.6.3 数据处理及访问 264
10.6.4 数据聚合 268
10.6.5 数据导出 269
10.6.6 流程调度 270
10.7 小结 272
附录A Impala中的关联 273
作者简介 277
封面介绍 278