第1章 Hadoop 2.X 1
1.1 Hadoop的起源 1
1.2 Hadoop的演进 2
1.3 Hadoop 2.X 6
1.3.1 Yet Another Resource Negotiator（YARN） 7
1.3.2 存储层的增强 8
1.3.3 支持增强 11
1.4 Hadoop的发行版 11
1.4.1 选哪个Hadoop发行版 12
1.4.2 可用的发行版 14
1.5 小结 16
第2章 MapReduce进阶 17
2.1 MapReduce输入 18
2.1.1 InputFormat类 18
2.1.2 InputSplit类 18
2.1.3 RecordReader类 19
2.1.4 Hadoop的“小文件”问题 20
2.1.5 输入过滤 24
2.2 Map任务 27
2.2.1 dfs.blocksize属性 28
2.2.2 中间输出结果的排序与溢出 28
2.2.3 本地reducer和Combiner 31
2.2.4 获取中间输出结果——Map侧 31
2.3 Reduce任务 32
2.3.1 获取中间输出结果——Reduce侧 32
2.3.2 中间输出结果的合并与溢出 33
2.4 MapReduce的输出 34
2.5 MapReduce作业的计数器 34
2.6 数据连接的处理 36
2.6.1 Reduce侧的连接 36
2.6.2 Map侧的连接 42
2.7 小结 45
第3章 Pig进阶 47
3.1 Pig对比SQL 48
3.2 不同的执行模式 48
3.3 Pig的复合数据类型 49
3.4 编译Pig脚本 50
3.4.1 逻辑计划 50
3.4.2 物理计划 51
3.4.3 MapReduce计划 52
3.5 开发和调试助手 52
3.5.1 DESCRIBE命令 52
3.5.2 ExPLAIN命令 53
3.5.3 ILLUSTRATE命令 53
3.6 Pig操作符的高级特性 54
3.6.1 FOREACH操作符进阶 54
3.6.2 Pig的特殊连接 58
3.7 用户定义函数 61
3.7.1 运算函数 61
3.7.2 加载函数 66
3.7.3 存储函数 68
3.8 Pig的性能优化 69
3.8.1 优化规则 69
3.8.2 Pig脚本性能的测量 71
3.8.3 Pig的Combiner 72
3.8.4 Bag数据类型的内存 72
3.8.5 Pig的reducer数量 72
3.8.6 Pig的multiquery模式 73
3.9 最佳实践 73
3.9.1 明确地使用类型 74
3.9.2 更早更频繁地使用投影 74
3.9.3 更早更频繁地使用过滤 74
3.9.4 使用LIMIT操作符 74
3.9.5 使用DISTINCT操作符 74
3.9.6 减少操作 74
3.9.7 使用Algebraic UDF 75
3.9.8 使用AccumulatorUDF 75
3.9.9 剔除数据中的空记录 75
3.9.10 使用特殊连接 75
3.9.11 压缩中间结果 75
3.9.12 合并小文件 76
3.10 小结 76
第4章 Hive进阶 77
4.1 Hive架构 77
4.1.1 Hive元存储 78
4.1.2 Hive编译器 78
4.1.3 Hive执行引擎 78
4.1.4 Hive的支持组件 79
4.2 数据类型 79
4.3 文件格式 80
4.3.1 压缩文件 80
4.3.2 ORC文件 81
4.3.3 Parquet文件 81
4.4 数据模型 82
4.4.1 动态分区 84
4.4.2 Hive表索引 85
4.5 Hive查询优化器 87
4.6 DML进阶 88
4.6.1 GROUP BY操作 88
4.6.2 ORDER BY与SORT BY 88
4.6.3 JOIN类型 88
4.6.4 高级聚合 89
4.6.5 其他高级语句 90
4.7 UDF、UDAF和UDTF 90
4.8 小结 93
第5章 序列化和Hadoop I/O 95
5.1 Hadoop数据序列化 95
5.1.1 Writable与WritableComparable 96
5.1.2 Hadoop与Java序列化的区别 98
5.2 Avro序列化 100
5.2.1 Avro与MapReduce 102
5.2.2 Avro与Pig 105
5.2.3 Avro与Hive 106
5.2.4 比较Avro与Protocol Buffers/Thrift 107
5.3 文件格式 108
5.3.1 Sequence文件格式 108
5.3.2 MapFile格式 111
5.3.3 其他数据结构 113
5.4 压缩 113
5.4.1 分片与压缩 114
5.4.2 压缩范围 115
5.5 小结 115
第6章 YARN——其他应用模式进入Hadoop的引路人 116
6.1 YARN的架构 117
6.1.1 资源管理器 117
6.1.2 Application Master 118
6.1.3 节点管理器 119
6.1.4 YARN客户端 120
6.2 开发YARN的应用程序 120
6.2.1 实现YARN客户端 120
6.2.2 实现AM实例 125
6.3 YARN的监控 129
6.4 YARN中的作业调度 134
6.4.1 容量调度器 134
6.4.2 公平调度器 137
6.5 YARN命令行 139
6.5.1 用户命令 140
6.5.2 管理员命令 140
6.6 小结 141
第7章 基于YARN的Storm——Hadoop中的低延时处理 142
7.1 批处理对比流式处理 142
7 2 Apache Storm 144
7.2.1 Apache Storm的集群架构 144
7.2.2 Apache Storm的计算和数据模型 145
7.2.3 Apache Storm用例 146
7 2.4 Apache Storm的开发 147
7.2.5 Apache Storm 0.9.1 153
7.3 基于YARN的Storm 154
7.3.1 在YARN上安装Apache Storm 154
7.3.2 安装过程 154
7.4 小结 161
第8章 云上的Hadoop 162
8.1 云计算的特点 162
8.2 云上的Hadoop 163
8.3 亚马逊Elastic MapReduce 164
8.4 小结 175
第9章 HDFS替代品 176
9.1 HDFS的优缺点 176
9.2 亚马逊AWS S3 177
9.3 在Hadoop中实现文件系统 179
9.4 在Hadoop中实现S3原生文件系统 179
9.5 小结 189
第10章 HDFS联合 190
10.1 旧版HDFS架构的限制 190
10.2 HDFS联合的架构 192
10.2.1 HDFS联合的好处 193
10.2.2 部署联合NameNode 193
10.3 HDFS高可用性 195
10.3.1 从NameNode、检查节点和备份节点 195
10.3.2 高可用性——共享edits 196
10.3.3 HDFS实用工具 197
10.3.4 三层与四层网络拓扑 197
10.4 HDFS块放置策略 198
10.5 小结 200
第11章 Hadoop安全 201
11.1 安全的核心 201
11.2 Hadoop中的认证 202
11.2.1 Kerberos认证 202
11.2.2 Kerberos的架构和工作流 203
11.2.3 Kerberos认证和Hadoop 204
11.2.4 HTTP接口的认证 204
11.3 Hadoop中的授权 205
11.3.1 HDFS的授权 205
11.3.2 限制HDFS的使用量 208
11.3.3 Hadoop中的服务级授权 209
11.4 Hadoop中的数据保密性 211
11.5 Hadoop中的日志审计 216
11.6 小结 217
第12章 使用Hadoop进行数据分析 218
12.1 数据分析工作流 218
12.2 机器学习 220
12.3 Apache Mahout 222
12.4 使用Hadoop和Mahout进行文档分析 223
12.4.1 词频 223
12.4.2 文频 224
12.4.3 词频－逆向文频 224
12.4.4 Pig中的Tf-idf 225
12.4.5 余弦相似度距离度量 228
12.4.6 使用k-means的聚类 228
12.4.7 使用Apache Mahout进行k-means聚类 229
12.5 RHadoop 233
12.6 小结 233
附录 微软Windows中的Hadoop 235