第1章 初识Hadoop 1
1.1 数据！数据！ 1
1.2 数据的存储与分析 3
1.3 相较于其他系统的优势 4
1.3.1 关系型数据库管理系统 5
1.3.2 网格计算 7
1.3.3 志愿计算 9
1.4 Hadoop发展简史 10
1.5 Apache Hadoop和Hadoop生态系统 14
1.6 Hadoop的发行版本 15
1.6.1 本书包含的内容 16
1.6.2 兼容性 17
第2章 关于MapReduce 19
2.1 气象数据集 19
2.2 使用Unix工具来分析数据 21
2.3 使用Hadoop来分析数据 23
2.3.1 map和reduce 23
2.3.2 Java MapReduce 24
2.4 横向扩展 33
2.4.1 数据流 34
2.4.2 combiner函数 37
2.4.3 运行分布式的MapReduce作业 39
2.5 Hadoop Streaming 40
2.5.1 Ruby版本 40
2.5.2 Python版本 43
2.6 Hadoop Pipes 44
第3章 Hadoop分布式文件系统 49
3.1 HDFS的设计 49
3.2 HDFS的概念 51
3.2.1 数据块 51
3.2.2 namenode和datanode 52
3.2.3 联邦HDFS 53
3.2.4 HDFS的高可用性 54
3.3 命令行接口 56
3.4 Hadoop文件系统 58
3.5 Java接口 62
3.5.1 从Hadoop URL读取数据 63
3.5.2 通过FileSystem API读取数据 64
3.5.3 写入数据 68
3.5.4 目录 70
3.5.5 查询文件系统 70
3.5.6 删除数据 75
3.6 数据流 75
3.6.1 剖析文件读取 75
3.6.2 剖析文件写入 78
3.6.3 一致模型 81
3.7 通过Flume和Sqoop导入数据 83
3.8 通过distcp并行复制 84
3.9 Hadoop存档 86
3.9.1 使用Hadoop存档工具 86
3.9.2 不足 88
第4章 Hadoop的I/O操作 89
4.1 数据完整性 89
4.1.1 HDFS的数据完整性 89
4.1.2 LocalFileSystem 91
4.1.3 ChecksumFileSystem 91
4.2 压缩 92
4.2.1 codec 93
4.2.2 压缩和输入分片 98
4.2.3 在MapReduce使用压缩 99
4.3 序列化 102
4.3.1 Writable接口 103
4.3.2 Writable类 105
4.3.3 实现定制的Writable集合 114
4.3 序列化框架 118
4.4 Avro 121
4.4.1 Avro数据类型和模式 122
4.4.2 内存中的序列化和反序列化 126
4.4.3 Avro数据文件 129
4.4.4 互操作性 130
4.4.5 模式的解析 133
4.4.6 排列顺序 135
4.4.7 关于Avro MapReduce 137
4.4.8 使用Avro MapReduce进行排序 141
4.4.9 其他语言的Avro MapReduce 143
4.5 基于文件的数据结构 143
4.5.1 关于SequenceFile 143
4.5.2 关于MapFile 151
第5章 MapReduce应用开发 157
5.1 用于配置的API 157
5.1.1 资源合并 159
5.1.2 可变的扩展 160
5.2 配置开发环境 160
5.2.1 管理配置 162
5.2.2 辅助类GenericOptionsParser,Tool和ToolRunner 165
5.3 用MRUnit来写单元测试 168
5.3.1 关于Mapper 168
5.3.2 关于Reducer 170
5.4 本地运行测试数据 171
5.4.1 在本地作业运行器上运行作业 171
5.4.2 测试驱动程序 175
5.5 在集群上运行 176
5.5.1 打包作业 177
5.5.2 启动作业 179
5.5.3 MapReduce的Web界面 181
5.5.4 获取结果 184
5.5.5 作业调试 185
5.5.6 Hadoop日志 190
5.5.7 远程调试 192
5.6 作业调优 193
5.7 MapReduce的工作流 196
5.7.1 将问题分解成MapReduce作业 197
5.7.2 关于JobControl 198
5.7.3 关于Apache Oozie 199
第6章 MapReduce的工作机制 205
6.1 剖析MapReduce作业运行机制 205
6.1.1 经典的MapReduce（MapReduce 1） 206
6.1.2 YARN（MapReduce 2） 213
6.2 失败 219
6.2.1 经典MapReduce中的失败 219
6.2.2 YARN中的失败 222
6.3 作业的调度 224
6.3.1 公平调度器 225
6.3.2 容量调度器 225
6.4 shuffle和排序 226
6.4.1 map端 226
6.4.2 reduce端 228
6.4.3 配置调优 230
6.5 任务的执行 232
6.5.1 任务执行环境 232
6.5.2 推测执行 233
6.5.3 关于OutputCommitters 235
6.5.4 任务JVM重用 237
6.5.5 跳过坏记录 238
第7章 MapReduce的类型与格式 241
7.1 MapReduce的类型 241
7.1.1 默认的MapReduce作业 245
7.1.2 默认的Streaming作业 249
7.2 输入格式 252
7.2.1 输入分片与记录 252
7.2.2 文本输入 264
7.2.3 二进制输入 268
7.2.4 多个输入 269
7.2.5 数据库输入（和输出） 270
7.3 输出格式 271
7.3.1 文本输出 271
7.3.2 二进制输出 272
7.3.3 多个输出 272
7.3.4 延迟输出 277
7.3.5 数据库输出 277
第8章 MapReduce的特性 279
8.1 计数器 279
8.1.1 内置计数器 279
8.1.2 用户定义的Java计数器 284
8.1.3 用户定义的Streaming计数器 289
8.2 排序 289
8.2.1 准备 290
8.2.2 部分排序 291
8.2.3 全排序 295
8.2.4 辅助排序 299
8.3 连接 305
8.3.1 map端连接 307
8.3.2 reduce端连接 307
8.4 边数据分布 311
8.4.1 利用JobConf来配置作业 311
8.4.2 分布式缓存 311
8.5 MapReduce库类 318
第9章 构建Hadoop集群 321
9.1 集群规范 321
9.2 集群的构建和安装 325
9.2.1 安装Java 326
9.2.2 创建Hadoop用户 326
9.2.3 安装Hadoop 326
9.2.4 测试安装 327
9.3 SSH配置 327
9.4 Hadoop配置 328
9.4.1 配置管理 329
9.4.2 环境设置 332
9.4.3 Hadoop守护进程的关键属性 336
9.4.4 Hadoop守护进程的地址和端口 341
9.4.5 Hadoop的其他属性 343
9.4.6 创建用户帐号 346
9.5 YARN配置 346
9.5.1 YARN守护进程的重要属性 347
9.5.2 YARN守护进程的地址和端口 350
9.6 安全性 352
9.6.1 Kerberos和Hadoop 353
9.6.2 委托令牌 355
9.6.3 其他安全性改进 356
9.7 利用基准评测程序测试Hadoop集群 358
9.7.1 Hadoop基准评测程序 358
9.7.2 用户作业 361
9.8 云端的Hadoop 361
第10章 管理Hadoop 367
10.1 HDFS 367
10.1.1 永久性数据结构 367
10.1.2 安全模式 373
10.1.3 日志审计 375
10.1.4 工具 375
10.2 监控 380
10.2.1 日志 381
10.2.2 度量 382
10.2.3 Java管理扩展（JMX） 385
10.3 维护 387
10.3.1 日常管理过程 387
10.3.2 委任和解除节点 389
10.3.3 升级 392
第11章 关于Pig 397
11.1 安装与运行Pig 398
11.1.1 执行类型 399
11.1.2 运行Pig程序 400
11.1.3 Grunt 401
11.1.4 Pig Latin编辑器 401
11.2 示例 402
11.3 与数据库进行比较 405
11.4 Pig Latin 406
11.4.1 结构 407
11.4.2 语句 408
11.4.3 表达式 413
11.4.4 类型 414
11.4.5 模式 415
11.4.6 函数 420
11.4.7 宏 422
11.5 用户自定义函数 423
11.5.1 过滤UDF 423
11.5.2 计算UDF 427
11.5.3 加载UDF 429
11.6 数据处理操作 432
11.6.1 数据的加载和存储 432
11.6.2 数据的过滤 433
11.6.3 数据的分组与连接 436
11.6.4 数据的排序 441
11.6.5 数据的组合和切分 442
11.7 Pig实战 443
11.7.1 并行处理 443
11.7.2 参数代换 444
第12章 关于Hive 447
12.1 安装Hive 448
12.2 示例 450
12.3 运行Hive 451
12.3.1 配置Hive 452
12.3.2 Hive服务 454
12.3.3 Metastore 456
12.4 Hive与传统数据库相比 458
12.4.1 读时模式vs.写时模式 458
12.4.2 更新、事务和索引 459
12.5 HiveQL 460
12.5.1 数据类型 461
12.5.2 操作与函数 463
12.6 表 464
12.6.1 托管表和外部表 465
12.6.2 分区和桶 466
12.6.3 存储格式 471
12.6.4 导入数据 477
12.6.5 表的修改 479
12.6.6 表的丢弃 480
12.7 查询数据 480
12.7.1 排序和聚集 480
12.7.2 MapReduce脚本 481
12.7.3 连接 482
12.7.4 子查询 486
12.7.5 视图 486
12.8 用户定义函数 488
12.8.1 写UDF 489
12.8.2 写UDAF 491
第13章 关于HBase 497
13.1 HBase基础 497
13.2 概念 498
13.3.1 数据模型的“旋风之旅” 498
13.3.2 实现 500
13.3 安装 503
13.4 客户端 506
13.4.1 Java 506
13.4.2 Avro、REST和Thrift 510
13.5 示例 511
13.5.1 模式 511
13.5.2 加载数据 512
13.5.3 Web查询 516
13.6 HBase和RDBMS的比较 519
13.6.1 成功的服务 520
13.6.2 HBase 521
13.6.3 实例：HBase在Streamy.com的使用 522
13.7 Praxis 524
13.7.1 版本 524
13.7.2 HDFS 525
13.7.3 用户界面 526
13.7.4 度量 526
13.7.5 模式的设计 526
13.7.6 计数器 527
13.7.7 批量加载 528
第14章 关于ZooKeeper 529
14.1 安装和运行ZooKeeper 530
14.2 示例 532
14.2.1 ZooKeeper中的组成员关系 533
14.2.2 创建组 534
14.2.3 加入组 536
14.2.4 列出组成员 537
14.2.5 删除组 539
14.3 ZooKeeper服务 540
14.3.1 数据模型 540
14.3.2 操作 543
14.3.3 实现 548
14.3.4 一致性 549
14.3.5 会话 552
14.3.6 状态 554
14.4 使用ZooKeeper来构建应用 555
14.4.1 配置服务 555
14.4.2 可复原的ZooKeeper应用 559
14.4.3 锁服务 563
14.4.4 更多分布式数据结构和协议 565
14.5 生产环境中的ZooKeeper 567
14.5.1 可恢复性和性能 567
14.5.2 配置 568
第15章 关于Sqoop 571
15.1 获取Sqoop 571
15.2 Sqoop连接器 573
15.3 一个导入的例子 573
15.4 生成代码 577
15.5 深入了解数据库导入 578
15.5.1 导入控制 580
15.5.2 导入和一致性 581
15.5.3 直接模式导入 581
15.6 使用导入的数据 581
15.7 导入大对象 585
15.8 执行导出 587
15.9 深入了解导出功能 589
15.9.1 导出与事务 590
15.9.2 导出和SequenceFile 591
第16章 实例学习 593
16.1 Hadoop在Last.fm的应用 593
16.1.1 Last.fm：社会音乐史上的革命 593
16.1.2 Hadoop在Last.fm中的应用 593
16.1.3 用Hadoop制作图表 594
16.1.4 Track Statistics程序 595
16.1.5 总结 602
16.2 Hadoop和Hive在Facebook的应用 603
16.2.1 Hadoop在Facebook的使用 603
16.2.2 虚构的使用样例 606
16.2.3 Hive 609
16.2.4 存在的问题与未来工作计划 613
16.3 Nutch搜索引擎 615
16.3.1 背景介绍 615
16.3.2 数据结构 616
16.3.3 Nutch系统利用Hadoop进行数据处理的精选实例 619
16.3.4 总结 630
16.4 Rackspace的日志处理 631
16.4.1 要求／问题 631
16.4.2 简史 632
16.4.3 选择Hadoop 632
16.4.4 收集和存储 632
16.4.5 对日志的MapReduce处理 634
16.5 关于Cascading 640
16.5.1 字段、元组和管道 641
16.5.2 操作 644
16.5.3 Tap、Scheme和Flow 645
16.5.4 Cascading实战 646
16.5.5 灵活性 650
16.5.6 Hadoop和Cascading在ShareThis的应用 650
16.5.7 总结 655
16.6 Apache Hadoop上万亿数量级排序 655
16.7 用Pig和Wukong探索10亿数量级边的网络图 659
16.7.1 社区判断 661
16.7.2 每个人都在和我说话：Twitter回复关系图 661
16.7.3 对称链接 664
16.7.4 社区提取 666
附录A 安装Apache Hadoop 669
附录B 关于CDH 675
附录C 准备NCDC气象数据 677