基础篇 3
1 大数据背景 3
1.1 大数据时代的到来 3
1.2 大数据定义及特征 4
1.3 大数据价值 6
1.4 大数据备受关注 7
1.5 大数据带来的挑战 8
2 大数据基础 10
2.1 云计算 10
2.1.1 云计算概述 10
2.1.2 云计算与大数据的联系 12
2.2 物联网 13
2.2.1 物联网概述 13
2.2.2 物联网与大数据 14
2.3 数据中心 14
2.3.1 数据中心概述 14
2.3.2 数据中心与大数据 15
进阶篇 19
3 大数据的生成和采集 19
3.1 大数据生成 19
3.1.1 企业内部数据 19
3.1.2 物联网数据 20
3.1.3 互联网数据 21
3.1.4 生物医疗数据 21
3.1.5 其他科学数据 22
3.2 大数据采集 22
3.2.1 数据收集 23
3.2.2 数据传输 25
3.2.3 数据预处理 26
4 大数据存储 28
4.1 海量存储系统 28
4.2 分布式存储系统 29
4.3 大数据存储机制 31
4.3.1 数据库技术 32
4.3.2 数据库编程模型 36
5 大数据分析 39
5.1 传统数据分析方法 39
5.2 大数据分析方法 40
5.3 大数据分析架构 42
5.4 大数据挖掘和分析软件 43
实践篇 47
6 大数据整体解决方案 47
6.1 大数据解决方案方法论 47
6.1.1 大数据解决方案参考模型 48
6.1.2 大数据解决方案分类 49
6.2 大数据硬件平台 50
6.2.1 可扩展性设计 51
6.2.2 可定制性设计 52
6.3 大数据软件系统 55
6.3.1 大数据处理系统核心模块 55
6.3.2 发行版增强功能、企业应用优化和增值服务 56
6.3.3 基于内存计算的大数据处理系统 60
6.4 大数据典型处理流程 63
6.5 大数据一体化解决方案比较 67
7 分布式文件系统HDFS 72
7.1 Hadoop I/O操作 72
7.1.1 I/O操作中的数据检查 73
7.1.2 数据的压缩 76
7.1.3 数据的I/O中序列化操作 78
7.2 Hadoop文件系统 87
7.3 HDFS体系结构 89
7.3.1 HDFS的特点和局限 89
7.3.2 HDFS相关概念 90
7.3.3 HDFS架构 91
7.4 HDFS文件结构 94
7.4.1 NameNode的文件结构 94
7.4.2 编辑日志（edit log）及文件系统映像（filesystem image） 95
7.4.3 Secondary NameNode的目录结构 96
7.4.4 Data Node的目录结构 97
7.5 HDFS读／写数据流 98
7.5.1 文件的读取 98
7.5.2 文件的写入 99
7.5.3 一致性模型 101
7.6 HDFS命令详解 102
7.6.1 通过distcp进行并行复制 102
7.6.2 HDFS平衡 103
7.6.3 其他命令 103
8 并行编程模型MapReduce 108
8.1 MapReduce体系结构 108
8.1.1 MapReduce基本模型 108
8.1.2 MapReduce作业执行流程 108
8.2 MapReduce关键流程详解 110
8.2.1 partiton过程 110
8.2.2 combine过程 111
8.2.3 shuffle过程 112
8.3 MapReduce高级应用 114
8.3.1 二次排序 114
8.3.2 全排序 119
8.3.3 分布式缓存 121
8.3.4 MapReduce小文件处理与文件压缩 123
8.3.5 MapReduce负载均衡 125
9 NoSQL数据库HBase 128
9.1 HBase体系结构 128
9.2 RowKey的设计与数据访问 132
9.3 过滤器 135
9.3.1 比较过滤器 137
9.3.2 专用过滤器 137
9.3.3 附加过滤器 139
9.3.4 FilterList 139
9.3.5 自定义过滤器 140
9.4 HBase多维数据访问 142
9.4.1 通过Filter实现 142
9.4.2 通过设计RowKey实现 143
9.5 协处理器Coprocessor 143
9.5.1 Coprocessor类 144
9.5.2 协处理器的加载 144
9.5.3 观察者 146
9.5.4 终端 150
9.6 二级索引 154
9.6.1 全局索引（global index） 154
9.6.2 本地索引（local index） 155
10 交互式查询语言Hive 157
10.1 Hive体系结构 157
10.1.1 Hive客户端 159
10.1.2 Metastore 159
10.2 Hive数据类型 160
10.2.1 基本类型 161
10.2.2 复杂类型 161
10.3 Hive存储方式和压缩类型 162
10.3.1 托管表和外部表 162
10.3.2 存储方式 163
10.4 Hive关键技术 164
10.4.1 HiveQL简介 164
10.4.2 Hive表的创建 165
10.4.3 Hive表的数据加载 166
10.4.4 Hive表的查询 167
10.4.5 Hive表的更改 170
10.4.6 Hive表的删除 171
10.4.7 Hive表的分区 171
10.4.8 Hive表的分桶 173
10.4.9 用户定义函数 174
10.5 Hive优化技术 175
10.5.1 Join优化 175
10.5.2 数据倾斜优化 176
10.5.3 Map和Reduce个数控制 177
11 资源管理和调度框架——YARN 180
11.1 MRv1架构面临的问题 180
11.2 YARN架构 181
11.2.1 YARN整体架构 181
11.2.2 RM组件的作用 183
11.2.3 AM组件的作用 184
11.2.4 NM组件的作用 185
11.2.5 运行在YARN上的计算框架 186
11.2.6 在YARN上定制计算框架 187
11.3 YARN管理后台简介 188
11.4 YARN资源调度 192
12 内存计算引擎Spark 197
12.1 Spark简介 197
12.2 Spark整体架构 198
12.3 Spark核心概念 199
12.3.1 弹性分布式数据集 199
12.3.2 RDD模型的优点 200
12.3.3 Spark DAG 201
12.4 Spark编程模型 202
12.4.1 Spark初始化 203
12.4.2 RDDs 203
12.4.3 Shared Variables 205
12.5 Spark相关组件 207
12.6 Spark应用实例 208
12.6.1 In-Memory Analytics 208
12.6.2 Traffic Modeling 209
12.6.3 Twitter Spam Classification 209
应用篇 213
13 大数据应用 213
13.1 大数据应用演化 213
13.2 大数据分析的关键领域 214
13.2.1 结构化数据分析 214
13.2.2 文本分析 215
13.2.3 Web分析 216
13.2.4 多媒体分析 217
13.2.5 网络分析 218
13.2.6 移动分析 219
14 大数据案例分析 221
14.1 物联网大数据 221
14.1.1 物联网大数据的表示 222
14.1.2 物联网大数据的预处理 223
14.1.3 物联网大数据的快速处理 224
14.1.4 物联网大数据的并行分析 226
14.1.5 物联网大数据处理平台的搭建 227
14.2 其他大数据的典型应用 231
14.2.1 企业级应用 231
14.2.2 社交网络大数据 232
14.2.3 医疗健康 234
14.2.4 群智感知 235
14.2.5 智能电网 235
15 总结 237
15.1 大数据的研究热点及研究方向 237
15.1.1 基础理论研究 237
15.1.2 关键技术研究 238
15.1.3 应用实践研究 238
15.1.4 数据安全研究 239
15.2 展望 240
参考文献 243