大数据技术入门(第2版)

本书以Hadoop和Spark框架为线索，重点介绍了Hadoop技术、Spark技术、大数据存储、大数据访问、大数据采集、大数据管理、大数据分析、大数据开发、大数据环境自动化部署等内容，使读者对大数据技术有个比较全面的了解。

目前国内大数据市场继续保持高速的发展态势，作者在与地方政府、证券金融公司的项目合作中发现，他们对大数据技术很感兴趣，并希望从大数据技术、采集、存储、访问、安全、分析与开发等方面得到指导和帮助。因此编写了这本大数据技术的入门书。 本书共12章，以Hadoop和Spark框架为线索，比较全面地介绍了Hadoop技术、Spark技术、大数据存储、大数据访问、大数据采集、大数据管理、大数据分析、大数据开发、大数据环境自动化部署（Docker和K8s）等内容。 本书适合大数据技术初学者，政府、金融机构的大数据应用决策和技术人员、IT经理、CTO、CIO等快速学习大数据技术。本书也可以作为高等院校和培训学校相关专业的培训教材。

杨正洪，毕业于美国State University of New York at Stony Brook，在美国硅谷从事AI和大数据相关研发工作 10 多年，华中科技大学和中国地质大学客座教授，湖北省 2013 年海外引进人才，拥有多项国家专利。参与了大数据和人工智能的国家标准的制定，在 2016 年参与了公安部主导的“信息安全技术：大数据平台安全管理产品安全技术要求”的国家标准制定。作者还是中关村海外智库专家顾问和住建部中规院专家顾问，担任了在美上市公司 CTO、北京某国企 CIO 和上海某国企高级副总裁等职。多年从事人工智能与大数据技术的工作，出版了《智慧城市》等多本书籍。

目 录 第1章 大数据时代 1 1.1 什么是大数据 1 1.1.1 四大特征 2 1.1.2 数据监管（Data Governance） 3 1.1.3 数据质量 4 1.1.4 大数据分析 4 1.1.5 大数据平台架构 5 1.2 大数据与云计算的关系 6 1.2.1 云计算产品概述 6 1.2.2 虚拟服务器 7 1.2.3 云存储 11 1.3 Hadoop和云平台的应用实例 12 1.3.1 云平台层面配置 12 1.3.2 大数据平台层面配置 14 1.4 数据湖（Data Lake） 16 1.5 企业如何走向大数据 17 1.5.1 业务价值维度 18 1.5.2 数据维度 18 1.5.3 现有IT环境和成本维度 19 1.5.4 数据治理维度 20 第2章 大数据软件框架 21 2.1 Hadoop框架 21 2.1.1 HDFS（分布式文件系统） 22 2.1.2 MapReduce（分布式计算框架） 23 2.1.3 YARN（集群资源管理器） 28 2.2 Spark（内存计算框架） 30 2.2.1 Spark SQL 31 2.2.2 Spark Streaming 32 2.3 实时流处理框架 34 2.4 云端消息队列 34 2.5 框架的选择 35 2.6 Hadoop发行版 36 2.7 Mac上安装Hadoop 37 2.7.1 在Mac上安装Hadoop 37 2.7.2 安装MySQL和Hive 41 2.8 Linux上安装Hadoop 44 2.8.1 配置Java环境 45 2.8.2 安装ntp和Python 47 2.8.3 安装和配置openssl 47 2.8.4 配置SSH无密码访问 47 2.8.5 安装Ambari和HDP 48 2.8.6 启动和停止服务 52 2.9 AWS云平台上安装Hadoop 54 第3章 大数据集群 57 3.1 集群实例分析 57 3.2 YARN 67 3.2.1 架构组成 68 3.2.2 YARN执行流程 71 3.3 资源的调度器 75 3.3.1 Capacity Scheduler 76 3.3.2 Fair Scheduler 78 3.3.3 资源调度实例分析 81 3.3.4 内存和CPU资源调度 84 3.4 深入研究Resource Manager 88 3.5 集群配置文件总览 91 3.5.1 yarn-site.xml 91 3.5.2 mapred-site.xml 94 3.6 自动伸缩（Auto Scaling）集群 97 3.7 迁移Hadoop集群 97 3.8 增加Instance 99 第4章 大数据存储：文件系统和云存储 100 4.1 HDFS shell命令 100 4.2 配置HDFS 102 4.2.1 配置文件 102 4.2.2 多节点配置 103 4.3 HDFS API编程 104 4.3.1 读取HDFS文件内容 105 4.3.2 写HDFS文件内容 108 4.3.3 WebHDFS 108 4.4 HDFS API总结 110 4.4.1 Configuration类 110 4.4.2 FileSystem抽象类 111 4.4.3 Path类 111 4.4.4 FSDataInputStream类 111 4.4.5 FSDataOutputStream类 112 4.4.6 IOUtils类 112 4.4.7 FileStatus类 112 4.4.8 FsShell类 112 4.4.9 ChecksumFileSystem抽象类 112 4.4.10 其他的HDFS API实例 113 4.4.11 综合实例 115 4.5 HDFS文件格式 118 4.5.1 SequenceFile 118 4.5.2 TextFile（文本格式） 118 4.5.3 RCFile 118 4.5.4 Avro 120 4.6 云存储S3 120 4.6.1 S3基本概念 121 4.6.2 S3管理控制台 122 4.6.3 S3 CLI 126 4.6.4 S3 SDK 127 4.6.5 分区 129 4.6.6 与EBS的比较 129 4.6.7 与Glacier的比较 129 第5章 大数据存储：数据库 130 5.1 NoSQL 130 5.2 HBase概述 131 5.2.1 HBase表结构 132 5.2.2 HBase系统架构 135 5.2.3 启动并操作HBase数据库 136 5.2.4 HBase Shell工具 139 5.3 HBase编程 142 5.3.1 增删改查API 142 5.3.2 过滤器 146 5.3.3 计数器 149 5.3.4 原子操作 149 5.3.5 管理API 149 5.4 其他NoSQL数据库 151 5.4.1 Cassandra 151 5.4.2 Impala 151 5.4.3 DynamoDB 151 5.4.4 Redshift 151 5.5 云数据库 152 5.5.1 什么是RDS 152 5.5.2 创建云数据库 152 5.5.3 查看云数据库信息 156 5.5.4 何时使用云端数据库 159 第6章 大数据访问：SQL引擎层 160 6.1 Phoenix 161 6.1.1 安装和配置Phoenix 161 6.1.2 在Eclipse上开发Phoenix程序 165 6.1.3 Phoenix SQL工具 169 6.1.4 Phoenix SQL语法 170 6.2 Hive 171 6.2.1 Hive架构 172 6.2.2 安装Hive 173 6.2.3 Hive CLI 175 6.2.4 Hive数据类型 175 6.2.5 Hive文件格式 177 6.2.6 Hive表定义 179 6.2.7 Hive加载数据 183 6.2.8 Hive查询数据 184 6.2.9 Hive UDF 186 6.2.10 Hive视图 188 6.2.11 HiveServer2 189 6.2.12 hive-site.xml需要的配置 195 6.2.13 HBase集成 200 6.2.14 XML和JSON数据 200 6.2.15 使用TEZ 201 6.2.16 Hive MetaStore 203 6.2.17 综合示例 204 6.3 Pig 206 6.3.1 Pig语法 207 6.3.2 Pig和Hive的使用场景之比较 210 6.4 ElasticSearch（全文搜索引擎） 211 6.4.1 全文索引的基础知识 211 6.4.2 安装和配置ElasticSearch 213 6.4.3 ElasticSearch API 215 6.5 Presto 217 第7章 大数据采集和导入 218 7.1 Flume 220 7.1.1 Flume架构 220 7.1.2 Flume事件 221 7.1.3 Flume源 221 7.1.4 Flume（Interceptor） 222 7.1.5 Flume通道选择器（Channel Selector） 223 7.1.6 Flume通道 224 7.1.7 Flume接收器 225 7.1.8 负载均衡和单点失败 226 7.1.9 Flume监控管理 227 7.1.10 Flume实例 227 7.2 Kafka 229 7.2.1 Kafka架构 229 7.2.2 Kafka与JMS的异同 230 7.2.3 Kafka性能考虑 231 7.2.4 消息传送机制 231 7.2.5 Kafka和Flume的比较 232 7.3 Sqoop 232 7.3.1 从数据库导入HDFS 233 7.3.2 增量导入 235 7.3.3 将数据从Oracle导入Hive 235 7.3.4 将数据从Oracle导入HBase 235 7.3.5 导入所有表 236 7.3.6 从HDFS导出数据 236 7.3.7 数据验证 237 7.3.8 其他Sqoop功能 237 7.4 Storm 238 7.4.1 Storm基本概念 238 7.4.2 Spout 240 7.4.3 Bolt 241 7.4.4 拓扑结构 243 7.4.5 Storm总结 244 7.5 Amazon Kinesis 245 7.6 其他工具 246 7.6.1 Embulk 246 7.6.2 Fluentd 247 第8章 大数据安全管控 250 8.1 数据主权和合规性 250 8.2 云端安全 251 8.2.1 身份验证和访问权限 251 8.2.2 角色 253 8.2.3 虚拟网络 254 8.2.4 安全组 255 8.3 云端监控 256 8.3.1 跟踪和审计 256 8.3.2 监控 257 8.3.3 基于Datadog的监控 259 8.4 云端备份和恢复 262 8.5 大数据安全 262 8.5.1 Kerberos 263 8.5.2 Apache Ranger 263 8.5.3 应用端安全 267 第9章 大数据快速处理平台：Spark 268 9.1 Spark框架 268 9.1.1 安装和配置Spark 269 9.1.2 Scala 270 9.2 Spark Shell 271 9.3 Spark编程 273 9.3.1 编写Spark API程序 274 9.3.2 使用sbt编译并打成JAR包 274 9.3.3 运行程序 275 9.4 RDD 276 9.4.1 RDD算子和RDD依赖关系 277 9.4.2 RDD转换操作 278 9.4.3 RDD行动（Action）操作 279 9.4.4 RDD控制操作 280 9.4.5 RDD实例 280 9.5 Spark SQL 282 9.5.1 DataFrame 283 9.5.2 RDD转化为DataFrame 287 9.5.3 JDBC数据源 289 9.5.4 Hive数据源 289 9.6 Spark Streaming 290 9.6.1 DStream编程模型 291 9.6.2 DStream操作 293 9.6.3 性能考虑 295 9.6.4 容错能力 296 第10章 大数据分析 297 10.1 数据科学 298 10.1.1 探索性数据分析 299 10.1.2 描述统计 300 10.1.3 数据可视化 300 10.2 预测分析 303 10.2.1 预测分析实例 303 10.2.2 回归（Regression）分析预测法 304 10.3 机器学习 305 10.3.1 机器学习的定义 306 10.3.2 机器学习分类 307 10.3.3 机器学习算法 308 10.3.4 机器学习框架 310 10.4 算法 312 10.4.1 分类算法 313 10.4.2 预测算法 313 10.4.3 聚类算法 314 10.4.4 关联分析 315 10.4.5 决策树 317 10.4.6 异常值分析算法 320 10.4.7 协同过滤（推荐引擎）算法 320 10.5 大数据分析总体架构 321 10.5.1 大数据平台和大数据分析的关系 321 10.5.2 大数据平台的核心功能 322 10.5.3 DMP 323 10.5.4 CDP 324 10.6 微服务 324 10.6.1 启动和停止Consul 326 10.6.2 服务注册 327 10.6.3 查询服务 329 10.6.4 服务状态检查 329 第11章 大数据环境自动化部署： Docker和Kubernetes 331 11.1 什么是Docker? 332 11.1.1 虚拟机 332 11.1.2 Linux容器 333 11.1.3 Docker的由来 333 11.1.4 Docker的用途 333 11.1.5 Docker和虚拟机的区别 334 11.2 镜像文件 335 11.3 Docker安装 335 11.4 Dockerfile文件 336 11.4.1 什么是Dockerfile 336 11.4.2 使用Dockerfile 338 11.4.3 发布镜像文件 338 11.4.4 仓库（Repository） 339 11.5 Service（服务） 340 11.5.1 yml文件 340 11.5.2 部署服务 341 11.5.3 伸缩（Scale）应用 341 11.6 Swarm 341 11.6.1 什么是Swarm集群 341 11.6.2 设置Swarm 342 11.6.3 在Swarm集群上部署应用 343 11.7 Stack 344 11.8 Kubernetes 346 11.8.1 集群 347 11.8.2 Pod 347 11.8.3 Node（节点） 347 11.8.4 Kubernetes Master 348 11.8.5 Replication Controller 348 11.8.6 Service 348 第12章 大数据开发管理 349 12.1 CI/CD（持续集成/持续发布） 349 12.1.1 CI 349 12.1.2 CD 350 12.2 代码管理工具GitHub 351 12.2.1 仓库（Repository） 351 12.2.2 分支（Branch） 352 12.2.3 提交（Commit）和请求合并（Pull request） 352 12.2.4 开源代码的操作 354 12.2.5 GitHub使用实例 355 12.3 项目管理JIRA 362 12.3.1 敏捷（Agile）开发和Scrum模式 362 12.3.2 Project（项目） 364 12.3.3 Issue（问题） 365 12.3.4 Sprint（冲刺） 367 12.3.5 Backlog（待办事项列表） 368 12.3.6 Priority（事项优先级） 368 12.3.7 状态和流程 368 12.3.8 JIRA常用报表 369 12.3.9 JIRA的主要功能总结 372 12.4 项目构建工具Maven 373 12.4.1 pom.xml 373 12.4.2 安装Maven 374 12.4.3 Maven仓库 374 12.4.4 Maven Java项目结构 375 12.4.5 命令列表 376 12.5 大数据软件测试 379 12.5.1 JUnit 379 12.5.2 Allure 380 附录1 数据量的单位级别 382 附录2 AWS EC2创建步骤 383 附录3 分布式监控系统Ganglia 385 附录4 auth-ssh脚本 386