第Ⅰ部分Hadoop基础知识 3
第1章 初识Hadoop 3
1.1数据！数据！ 3
1.2数据的存储与分析 5
1.3查询所有数据 6
1.4不仅仅是批处理 7
1.5相较于其他系统的优势 8
1.5.1关系型数据库管理系统 8
1.5.2网格计算 10
1.5.3志愿计算 11
1.6 Apache Hadoop发展简史 12
1.7本书包含的内容 16
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 22
2.3.1 map和reduce 23
2.3.2 Java MapReduce 24
2.4横向扩展 31
2.4.1数据流 31
2.4.2 combiner函数 35
2.4.3运行分布式的MapReduce作业 37
2.5 Hadoop Streaming 37
2.5.1 Ruby版本 38
2.5.2 Python版本 40
第3章Hadoop分布式文件系统 42
3.1 HDFS的设计 42
3.2 HDFS的概念 44
3.2.1数据块 44
3.2.2 namenode和datanode 45
3.2.3块缓存 46
3.2.4联邦HDFS 47
3.2.5 HDFS的高可用性 47
3.3命令行接口 50
3.4 Hadoop文件系统 52
3.5 Java接口 56
3.5.1从Hadoop URL读取数据 56
3.5.2通过FileSystem API读取数据 58
3.5.3写入数据 61
3.5.4目录 63
3.5.5查询文件系统 63
3.5.6删除数据 68
3.6数据流 68
3.6.1剖析文件读取 68
3.6.2剖析文件写入 71
3.6.3一致模型 74
3.7通过distcp并行复制 76
第4章 关于YARN 78
4.1剖析YARN应用运行机制 79
4.1.1资源请求 80
4.1.2应用生命期 81
4.1.3构建YARN应用 81
4.2 YARN与MapReduce 1相比 82
4.3 YARN中的调度 85
4.3.1调度选项 85
4.3.2容量调度器配置 87
4.3.3公平调度器配置 89
4.3.5延迟调度 93
4.3.5主导资源公平性 94
4.4延伸阅读 95
第5章Hadoop的I／O操作 96
5.1数据完整性 96
5.1.1 HDFS的数据完整性 97
5.1.2 LocalFileSystem 98
5.1.3 ChecksumFileSystem 98
5.2压缩 99
5.2.1 codec 100
5.2.2压缩和输入分片 105
5.2.3在MapReduce中使用压缩 106
5.3序列化 109
5.3.1 Writable接口 110
5.3.2 Writable类 112
5.3.3实现定制的Writable集合 121
5.3.4序列化框架 125
5.4基于文件的数据结构 127
5.4.1关于SequenceFile 127
5.4.2关于MapFile 135
5.4.3其他文件格式和面向列的格式 136
第Ⅱ部分 关于MapReduce 141
第6章MapReduce应用开发 141
6.1用于配置的API 142
6.1.1资源合并 143
6.1.2变量扩展 144
6.2配置开发环境 144
6.2.1管理配置 146
6.2.2辅助类GenericOptionsParser，Tool和ToolRunner 149
6.3用MRUnit来写单元测试 152
6.3.1关于Mapper 152
6.3.2关于Reducer 156
6.4本地运行测试数据 156
6.4.1在本地作业运行器上运行作业 156
6.4.2测试驱动程序 158
6.5在集群上运行 160
6.5.1打包作业 160
6.5.2启动作业 162
6.5.3 MapReduce的Web界面 165
6.5.4获取结果 167
6.5.5作业调试 168
6.5.6 Hadoop日志 171
6.5.7远程调试 173
6.6作业调优 174
6.7 MapReduce的工作流 176
6.7.1将问题分解成MapReduce作业 177
6.7.2关于JobControl 178
6.7.3关于Apache Oozie 179
第7章MapReduce的工作机制 184
7.1剖析MapReduce作业运行机制 184
7.1.1作业的提交 185
7.1.2作业的初始化 186
7.1.3任务的分配 187
7.1.4任务的执行 188
7.1.5进度和状态的更新 189
7.1.6作业的完成 191
7.2失败 191
7.2.1任务运行失败 191
7.2.2 application master运行失败 193
7.2.3节点管理器运行失败 193
7.2.4资源管理器运行失败 194
7.3 shuffle和排序 195
7.3.1 map端 195
7.3.2 reduce端 197
7.3.3配置调优 199
7.4任务的执行 201
7.4.1任务执行环境 201
7.4.2推测执行 202
7.4.3关于 OutputCommitters 204
第8章MapReduce的类型与格式 207
8.1 MapReduce的类型 207
8.1.1默认的MapReduce作业 212
8.1.2默认的Streaming作业 216
8.2输入格式 218
8.2.1输入分片与记录 218
8.2.2文本输入 229
8.2.3二进制输入 233
8.2.4多个输入 234
8.2.5数据库输入（和输出） 235
8.3输出格式 236
8.3.1文本输出 236
8.3.2二进制输出 237
8.3.3多个输出 237
8.3.4延迟输出 242
8.3.5数据库输出 242
第9章MapReduce的特性 243
9.1计数器 243
9.1.1内置计数器 243
9.1.2用户定义的Java计数器 248
9.1.3用户定义的Streaming计数器 251
9.2排序 252
9.2.1准备 252
9.2.2部分排序 253
9.2.3全排序 255
9.2.4辅助排序 259
9.3连接 264
9.3.1 map端连接 266
9.3.2 reduce端连接 266
9.4边数据分布 270
9.4.1利用JobConf来配置作业 270
9.4.2分布式缓存 270
9.5 MapReduce库类 276
第Ⅲ部分Hadoop的操作 279
第10章 构建Hadoop集群 279
10.1集群规范 280
10.1.1集群规模 281
10.1.2网络拓扑 282
10.2集群的构建和安装 284
10.2.1安装Java 284
10.2.2创建Unix用户账号 284
10.2.3安装Hadoop 284
10.2.4 SSH配置 285
10.2.5配置Hadoop 286
10.2.6格式化HDFS文件系统 286
10.2.7启动和停止守护进程 286
10.2.8创建用户目录 288
10.3 Hadoop配置 288
10.3.1配置管理 289
10.3.2环境设置 290
10.3.3 Hadoop守护进程的关键属性 293
10.3.4 Hadoop守护进程的地址和端口 300
10.3.5 Hadoop的其他属性 303
10.4安全性 305
10.4.1 Kerberos和Hadoop 306
10.4.2委托令牌 308
10.4.3其他安全性改进 309
10.5.利用基准评测程序测试Hadoop集群 311
10.5.1 Hadoop基准评测程序 311
10.5.2用户作业 313
第11章 管理Hadoop 314
11.1 HDFS 314
11.1.1永久性数据结构 314
11.1.2安全模式 320
11.1.3日志审计 322
11.1.4工具 322
11.2监控 327
11.2.1日志 327
11.2.2度量和JMX（Java管理扩展） 328
11.3维护 329
11.3.1日常管理过程 329
11.3.2委任和解除节点 331
11.3.3升级 334
第Ⅳ部分Hadoop相关开源项目 341
第12章 关于Avro 341
12.1 Avro数据类型和模式 342
12.2内存中的序列化和反序列化特定API 347
12.3 Avro数据文件 349
12.4互操作性 351
12.4.1 Python API 351
12.4.2 Avro工具集 352
12.5模式解析 352
12.6排列顺序 354
12.7关于Avro MapReduce 356
12.8使用Avro MapReduce进行排序 359
12.9其他语言的Avro 362
第13章 关于Parquet 363
13.1数据模型 364
13.2 Parquet文件格式 367
13.3 Parquet的配置 368
13.4 Parquet文件的读／写 369
13.4.1 Avro、 Protocol Buffers和Thrift 371
13.4.2投影模式和读取模式 373
13.5 Parquet MapReduce 374
第14章 关于Flume 377
14.1安装Flume 378
14.2示例 378
14.3事务和可靠性 380
14.4 HDFS Sink 382
14.5扇出 385
14.5.1交付保证 386
14.5.2复制和复用选择器 387
14.6通过代理层分发 387
14.7 Sink组 391
14.8 Flume与应用程序的集成 395
14.9组件编目 395
14.10延伸阅读 397
第15章 关于Sqoop 398
15.1获取Sqoop 398
15.2 Sqoop连接器 400
15.3一个导入的例子 401
15.4生成代码 404
15.5深入了解数据库导入 405
15.5.1导入控制 407
15.5.2导入和一致性 408
15.5.3增量导入 408
15.5.4直接模式导入 408
15.6使用导入的数据 409
15.7导入大对象 412
15.8执行导出 414
15.9深入了解导出功能 416
15.9.1导出与事务 417
15.9.2导出和SequenceFile 418
15.10延伸阅读 419
第16章 关于Pig 420
16.1安装与运行Pig 421
16.1.1执行类型 422
16.1.2运行Pig程序 423
16.1.3 Grunt 424
16.1.4 Pig Latin编辑器 424
16.2示例 425
16.3与数据库进行比较 428
16.4 PigLatin 429
16.4.1 结构 430
16.4.2语句 431
16.4.3表达式 436
16.4.4类型 437
16.4.5模式 438
16.4.6函数 443
16.4.7宏 445
16.5用户自定义函数 446
16.5.1过滤UDF 447
16.5.2计算UDF 450
16.5.3加载UDF 452
16.6数据处理操作 455
16.6.1数据的加载和存储 455
16.6.2数据的过滤 455
16.6.3数据的分组与连接 458
16.6.4数据的排序 463
16.6.5数据的组合和切分 465
16.7 Pig实战 465
16.7.1并行处理 465
16.7.2匿名关系 466
16.7.3参数代换 467
16.8延伸阅读 468
第17章 关于Hive 469
17.1安装Hive 470
Hive的shell环境 471
17.2示例 472
17.3运行Hive 473
17.3.1配置Hive 473
17.3.2 Hive服务 476
17.3.3 Metastore 478
17.4 Hive与传统数据库相比 480
17.4.1读时模式vs.写时模式 480
17.4.2更新、事务和索引 481
17.4.3其他SQL-on-Hadoop技术 482
17.5 HiveQL 483
17.5.1数据类型 484
17.5.2操作与函数 487
17.6表 488
17.6.1托管表和外部表 488
17.6.2分区和桶 490
17.6.3存储格式 494
17.6.4导入数据 498
17.6.5表的修改 500
17.6.6表的丢弃 501
17.7查询数据 501
17.7.1排序和聚集 501
17.7.2 MapReduce脚本 502
17.7.3连接 503
17.7.4子查询 506
17.7.5视图 507
17.8用户定义函数 508
17.8.1写UDF 510
17.8.2写UDAF 512
17.9延伸阅读 516
第18章 关于Crunch 517
18.1示例 518
18.2 Crunch核心API 521
18.2.1基本操作 522
18.2.2类型 527
18.2.3源和目标 530
18.2.4函数 532
18.2.5物化 535
18.3管线执行 537
18.3.1运行管线 538
18.3.2停止管线 539
18.3.3查看Crunch计划 540
18.3.4迭代算法 543
18.3.5给管线设置检查点 544
18.4 Crunch库 545
18.5延伸阅读 547
第19章 关于Spark 548
19.1安装Spark 549
19.2示例 549
19.2.1 Spark应用、作业、阶段和任务 551
19.2.2 Scala独立应用 552
19.2.3 Java示例 553
19.2.4 Python示例 554
19.3弹性分布式数据集 555
19.3.1创建 555
19.3.2转换和动作 557
19.3.3持久化 561
19.3.4序列化 563
19.4共享变量 564
19.4.1广播变量 564
19.4.2累加器 565
19.5 剖析Spark作业运行机制 565
19.5.1作业提交 566
19.5.2 DAG的构建 566
19.5.3任务调度 569
19.5.4任务执行 570
19.6执行器和集群管理器 570
19.7延伸阅读 574
第20章 关于HBase 575
20.1 HBase基础 575
20.2概念 576
20.2.1数据模型的“旋风之旅” 576
20.2.2实现 578
20.3安装 581
20.4客户端 584
20.4.1 Java 584
20.4.2 MapReduce 588
20.4.3 REST和Thrift 589
20.5创建在线查询应用 589
20.5.1模式设计 590
20.5.2加载数据 591
20.5.3在线查询 595
20.6 HBase和RDBMS的比较 598
20.6.1成功的服务 599
20.6.2 HBase 600
20.7 Praxis 601
20.7.1 HDFS 601
20.7.2用户界面 602
20.7.3度量 602
20.7.4计数器 602
20.8延伸阅读 602
第21章 关于ZooKeeper 604
21.1安装和运行ZooKeeper 605
21.2示例 607
21.2.1 ZooKeeper中的组成员关系 608
21.2.2创建组 608
21.2.3加入组 611
21.2.4列出组成员 612
21.2.5删除组 614
21.3 ZooKeeper服务 615
21.3.1数据模型 615
21.3.2操作 618
21.3.3实现 622
21.3.4一致性 624
21.3.5会话 626
21.3.6状态 628
21.4使用ZooKeeper来构建应用 629
21.4.1配置服务 629
21.4.2可复原的ZooKeeper应用 633
21.4.3锁服务 637
21.4.4更多分布式数据结构和协议 639
21.5生产环境中的ZooKeeper 640
21.5.1可恢复性和性能 641
21.5.2配置 642
21.6延伸阅读 643
第Ⅴ部分 案例学习 647
第22章 医疗公司塞纳（Cerner）的可聚合数据 647
22.1从多CPU到语义集成 647
22.2进入Apache Crunch 648
22.3建立全貌 649
22.4集成健康医疗数据 651
22.5框架之上的可组合性 654
22.6下一步 655
第23章 生物数据科学：用软件拯救生命 657
23.1 DNA的结构 659
23.2遗传密码：将DNA字符转译为蛋白质 660
22.3将DNA想象成源代码 661
23.4人类基因组计划和参考基因组 663
22.5 DNA测序和比对 664
23.6 ADAM，一个可扩展的基因组分析平台 666
23.7使用Avro接口描述语言进行自然语言编程 666
23.8使用Parquet进行面向列的存取 668
23.9一个简单例子：用Spark和ADAM做k-mer计数 669
23.10从个性化广告到个性化医疗 672
23.11联系我们 673
第24章 开源项目Cascading 674
24.1字段、元组和管道 675
24.2操作 678
24.3 Taps， Schemes和Flows 680
24.4 Cascading实践应用 681
24.5灵活性 684
24.6 ShareThis中的Hadoop和Cascading 685
24.7总结 689
附录A安装Apache Hadoop 691
附录B关于CDH 697
附录C准备NCDC气象数据 699
附录D新版和旧版Java MapReduce API 702