第1章　初识Hadoop　1
1.1　大数据简介　1
1.1.1　大数据的五大特征　1
1.1.2　大数据的六大发展趋势　3
1.1.3　大数据在电商行业的应用　4
1.1.4　大数据在交通行业的应用　5
1.1.5　大数据在医疗行业的应用　5
1.2　大数据技术的核心需求　5
1.3　Hadoop简介　6
1.3.1　什么是Hadoop　6
1.3.2　Hadoop的产生和发展　6
1.3.3　Hadoop的优缺点　7
1.3.4　Hadoop版本介绍　7
1.3.5　Hadoop生态圈的相关组件　7
1.3.6　Hadoop应用介绍　8
1.3.7　国内Hadoop的就业情况分析　9
1.3.8　分布式系统概述　10
1.4　离线数据分析流程介绍　10
1.4.1　项目需求描述　11
1.4.2　数据来源　11
1.4.3　数据处理流程　11
1.4.4　项目最终效果　12
1.5　大数据学习流程　12
1.6　本章小结　13
1.7　习题　14
第2章　搭建Hadoop集群　15
2.1　安装准备　15
2.1.1　虚拟机安装　15
2.1.2　虚拟机克隆　21
2.1.3　Linux系统网络配置　23
2.1.4　SSH服务配置　26
2.2　Linux基本命令　28
2.2.1　系统工作命令　29
2.2.2　磁盘操作命令　30
2.2.3　目录与文件操作命令　30
2.2.4　权限操作命令　31
2.3　Hadoop集群搭建　32
2.3.1　Hadoop集群部署模式　32
2.3.2　安装JDK　32
2.3.3　安装Hadoop　33
2.3.4　Hadoop集群配置　34
2.4　Hadoop 集群测试　37
2.4.1　格式化文件系统　37
2.4.2　启动和关闭Hadoop进程命令　37
2.4.3　启动和查看Hadoop进程　38
2.4.4　查看Web界面　38
2.5　使用Hadoop集群　39
2.6　本章小结　40
2.7　习题　40
第3章　HDFS分布式文件系统　41
3.1　HDFS简介　41
3.1.1　HDFS的概念　41
3.1.2　HDFS数据的存储和读取方式　42
3.1.3　HDFS的特点　42
3.2　HDFS存储架构和数据读写流程　43
3.2.1　HDFS的存储架构　43
3.2.2　HDFS的数据读写流程　44
3.3　HDFS的Shell命令　46
3.4　Java程序操作HDFS　47
3.4.1　HDFS Java API概述　47
3.4.2　使用Java API操作HDFS　47
3.5　Hadoop序列化　55
3.5.1　Hadoop序列化简介　55
3.5.2　常用实现Writable接口的类　56
3.5.3　自定义实现Writable接口的类　58
3.6　Hadoop小文件处理　59
3.6.1　压缩小文件　59
3.6.2　创建序列文件　60
3.7　通信机制RPC　63
3.7.1　RPC简介　63
3.7.2　Hadoop的RPC架构　63
3.8　本章小结　64
3.9　习题　64
第4章　MapReduce分布式计算框架　65
4.1　认识MapReduce　65
4.1.1　MapReduce核心思想　65
4.1.2　MapReduce编程模型　65
4.1.3　MapReduce编程案例——WordCount　67
4.2　MapReduce编程组件　72
4.2.1　InputFormat组件　72
4.2.2　OutputFormat组件　73
4.2.3　RecordReader组件和
RecordWriter组件　76
4.2.4　Partitioner组件　76
4.2.5　Combiner组件　78
4.3　MapReduce作业解析　82
4.3.1　MapReduce作业简介　82
4.3.2　MapReduce作业运行时的资源调度　82
4.3.3　MapReduce作业运行流程　83
4.4　MapReduce工作原理　83
4.4.1　Map任务工作原理　83
4.4.2　Reduce任务工作原理　83
4.5　Shuffle阶段　83
4.5.1　Shuffle的概念　83
4.5.2　Map端的Shuffle　84
4.5.3　Reduce端的Shuffle　85
4.6　优化——数据倾斜　85
4.7　MapReduce典型案例——排序　86
4.7.1　部分排序　86
4.7.2　全排序　87
4.8　MapReduce典型案例——倒排索引　91
4.8.1　准备模拟数据　91
4.8.2　输出数据解析　92
4.8.3　编写MapReduce程序　92
4.9　MapReduce典型案例——连接　94
4.9.1　准备模拟数据　94
4.9.2　输出数据解析　94
4.9.3　编写MapReduce程序　94
4.10　MapReduce典型案例——平均分以及百分比　97
4.10.1　准备模拟数据　97
4.10.2　输出数据解析　97
4.10.3　编写MapReduce程序　97
4.11　MapReduce典型案例——过滤敏感词汇　100
4.11.1　准备模拟数据　100
4.11.2　创建敏感词库　101
4.11.3　编写MapReduce程序　101
4.12　本章小结　103
4.13　习题　103
第5章　ZooKeeper分布式协调服务　105
5.1　认识ZooKeeper　105
5.1.1　ZooKeeper简介　105
5.1.2　ZooKeeper的设计目的　105
5.1.3　ZooKeeper的系统模型　106
5.1.4　ZooKeeper中的角色　106
5.1.5　ZooKeeper的工作原理　107
5.2　ZooKeeper安装和常用命令　108
5.2.1　ZooKeeper单机模式　108
5.2.2　ZooKeeper全分布式　109
5.2.3　ZooKeeper服务器常用脚本　111
5.2.4　ZooKeeper客户端节点和命令　111
5.3　ZooKeeper客户端编程　113
5.3.1　配置开发环境　113
5.3.2　Java程序操作ZooKeeper客户端　114
5.4　ZooKeeper典型应用场景　115
5.4.1　数据发布与订阅　115
5.4.2　命名服务　115
5.4.3　分布式锁　116
5.5　本章小结　116
5.6　习题　116
第6章　Hadoop 2.0新特性　118
6.1　Hadoop 2.0的改进　118
6.1.1　HDFS存在的问题　118
6.1.2　MapReduce存在的问题　118
6.1.3　HDFS 2.0解决HDFS 1.0中的问题　119
6.2　YARN资源管理框架　119
6.2.1　YARN简介　119
6.2.2　YARN架构　119
6.2.3　YARN的优势　120
6.3　Hadoop的HA模式　120
6.3.1　HA模式简介　120
6.3.2　HDFS的HA模式　121
6.3.3　YARN的HA模式　127
6.3.4　启动和关闭Hadoop的HA模式　131
6.4　本章小结　132
6.5　习题　132
第7章　Hive　133
7.1　数据仓库简介　133
7.1.1　数据仓库概述　133
7.1.2　数据仓库的使用　133
7.1.3　数据仓库的特点　134
7.1.4　主流的数据仓库　134
7.2　认识Hive　134
7.2.1　Hive简介　134
7.2.2　Hive架构　135
7.2.3　Hive和关系型数据库比较　136
7.3　Hive安装　136
7.4　Hive数据类型　140
7.4.1　Hive基本数据类型　140
7.4.2　Hive复杂数据类型　141
7.5　Hive数据库操作　142
7.6　Hive表　143
7.6.1　内部表和外部表　143
7.6.2　对表进行分区　149
7.6.3　对表或分区进行桶操作　153
7.7　Hive表的查询　156
7.7.1　select查询语句　156
7.7.2　视图　161
7.7.3　Join　162
7.8　Hive函数　165
7.8.1　Hive内置函数　165
7.8.2　通过JDBC驱动程序使用Hiveserver2服务　167
7.8.3　Hive用户自定义函数　169
7.9　Hive性能优化　171
7.10　Hive案例分析　173
7.11　本章小结　174
7.12　习题　174
第8章　HBase分布式存储系统　175
8.1　认识HBase　175
8.1.1　HBase简介　175
8.1.2　HBase的数据模型　176
8.1.3　HBase架构　176
8.1.4　HBase文件存储格式　178
8.1.5　HBase存储流程　179
8.1.6　HBase和HDFS　179
8.2　HBase表设计　179
8.2.1　列簇设计　179
8.2.2　行键设计　180
8.3　HBase安装　180
8.3.1　HBase的单机模式　180
8.3.2　HBase的HA模式　182
8.4　HBase Shell常用操作　184
8.5　HBase编程　190
8.5.1　配置开发环境　190
8.5.2　使用Java API操作HBase　191
8.5.3　使用HBase实现WordCount　193
8.6　HBase过滤器和比较器　195
8.6.1　过滤器　195
8.6.2　比较器　196
8.6.3　编程实例　196
8.7　HBase与Hive结合　201
8.7.1　HBase与Hive结合的原因　201
8.7.2　Hive关联HBase　201
8.8　HBase性能优化　202
8.9　本章小结　204
8.10　习题　204
第9章　Flume　205
9.1　认识Flume　205
9.1.1　Flume简介　205
9.1.2　Flume的特点　205
9.2　Flume基本组件　206
9.2.1　Event　206
9.2.2　Agent　206
9.3　Flume安装　207
9.4　Flume数据流模型　208
9.5　Flume的可靠性保证　210
9.5.1　负载均衡　210
9.5.2　故障转移　211
9.6　Flume拦截器　212
9.7　采集案例　214
9.7.1　采集目录到HDFS　214
9.7.2　采集文件到HDFS　215
9.8　本章小结　216
9.9　习题　216
第10章　Sqoop　217
10.1　认识Sqoop　217
10.1.1　Sqoop简介　217
10.1.2　Sqoop原理　218
10.1.3　Sqoop架构　218
10.2　Sqoop安装　218
10.3　Sqoop命令　220
10.3.1　Sqoop数据库连接参数　221
10.3.2　Sqoop export参数　221
10.3.3　Sqoop import参数　221
10.3.4　Sqoop import命令的基本操作　221
10.4　Sqoop数据导入　222
10.4.1　将MySQL的数据导入HDFS　222
10.4.2　将MySQL的数据导入Hive　223
10.4.3　将MySQL的数据导入HBase　226
10.4.4　增量导入　227
10.4.5　按需导入　229
10.5　Sqoop数据导出　230
10.5.1　将HDFS的数据导出到MySQL　230
10.5.2　将Hive的数据导出到MySQL　231
10.5.3　将HBase的数据导出到MySQL　231
10.6　Sqoop job　233
10.7　本章小结　233
10.8　习题　234
第11章　综合项目——电商精准营销　235
11.1　项目概述　235
11.1.1　项目背景介绍　235
11.1.2　项目架构设计　235
11.2　项目详细介绍　237
11.2.1　项目核心关注点　237
11.2.2　重要概念　237
11.2.3　维度　238
11.3　项目模块分析　239
11.3.1　用户基本信息分析模块　239
11.3.2　浏览器分析模块　239
11.3.3　地域分析模块　239
11.3.4　外链分析模块　239
11.4　数据采集　240
11.4.1　日志采集系统概述　240
11.4.2　JS SDK收集数据　240
11.4.3　Java SDK收集数据　242
11.4.4　使用Flume搭建日志采集系统　243
11.4.5　日志信息说明　244
11.5　数据清洗　245
11.5.1　分析需要清洗的数据　245
11.5.2　解析数据格式转换　245
11.5.3　利用MapReduce清洗数据　245
11.6　使用数据仓库进行数据分析　253
11.6.1　事件板块数据分析　253
11.6.2　订单板块数据分析　257
11.6.3　时间板块数据分析　262
11.7　可视化　264
11.7.1　ECharts简介　264
11.7.2　ECharts的优点　265
11.7.3　操作流程　265
11.8　本章小结　267
11.9　习题　267
附录　　268