大数据技术全解：基础、设计、开发与实践

　　“大数据”一词已成为当下最热门的词汇之一。人们热切期待大数据能给工作、学习和生活等方面带来前所未有的变化，而大数据的采集、存储、计算、分析挖掘、呈现和安全等技术正是实现这一变化的关键。《大数据技术全解：基础、设计、开发与实践》的重点不在于对大数据技术的原理性介绍，而是从实战角度出发，系统地阐述如何基于Hadoop开源软件为客户设计、安装和开发一个大数据系统。《大数据技术全解：基础、设计、开发与实践》还着重分享了具体实践中的一些案例，不仅对于从事大数据系统开发的IT技术人员具有珍贵的参考价值，而且对准备实施大数据系统项目的企业级客户也具有指导作用。
　　《大数据技术全解：基础、设计、开发与实践》可以作为计算机软件专业的本科生和研究生的大数据技术教材，也可作为大数据技术开发培训、大数据系统咨询规划培训的教材，更是大数据领域内一线的需求分析人员、系统分析人员、高级开发人员和开发管理人员的必备参考书。

　　杨巨龙，1991年毕业于中国人民解放军信息工程大学，分配到兰州军区第二技术侦察局从事技术保障和研发工作，1998年转业到地方工作。20多年来一直从事软件设计、开发和管理方面的工作，曾担任过多家IT公司的技术总监和总架构师。目前主要研究方向包括软件编码哲学、大型软件系统体系架构设计、软件需求分析方法论、大数据和云计算技术等。2009至2010年在清华大学网络行为研究所从事信息咨询规划方面的学习和研究，在研究所期间承担过国家多个部委的“十二五”信息化规划的报告编制工作。

第1篇 基础篇
第1章 大数据的三把利剑
1.1 豌豆杂交实验
1.2 曹冲称象启示
1.3 谷歌的三把利剑
1.4 智慧改变世界
第2章 企业的大数据观
2.1 企业面临的挑战
2.1.1 数据能力是核心竞争力
2.1.2 从粗放经营到智慧经营
2.1.3 技术与商业的双重挑战
2.2 企业大数据从哪来
2.2.1 来自于主体的产生
2.2.2 来自于客体的产生
2.2.3 来自于社会的产生
2.3 企业大数据如何存储
2.3.1 非结构化数据存储
2.3.2 结构化数据存储
2.3.3 半结构化数据存储
2.3.4 大数据存储的问题
2.4 企业大数据如何加工
2.4.1 分析或挖掘模型设计
2.4.2 并行处理程序编码
2.4.3 结果在全局中呈现
2.5 企业的大数据到哪里去
2.5.1 大数据对企业影响深远
2.5.2 大数据是一种新商品
2.5.3 精准营销需要大数据
2.6 企业大数据观总结
第3章 大数据和大数据系统
3.1 大数据
3.1.1 大数据概念
3.1.2 大数据的特征
3.1.3 数据计量单位
3.1.4 大数据来源
3.1.5 大数据类型
3.2 大数据系统
3.2.1 设计目标和原则
3.2.2 系统的设计思想
3.2.3 系统的逻辑架构
3.2.4 与现有系统的关系
3.2.5 当前的大数据系统

第2篇 技术篇
第4章 分布、键值对与族
4.1 分布与MapReduce
4.2 键值对的奥妙所在
4.3 动态数据库表原理
第5章 HDFS（分布式文件系统）
5.1 设计目标
5.2 基本概念
5.2.1 块
5.2.2 名称节点与数据节点
5.3 系统架构
5.3.1 逻辑架构
5.3.2 物理架构
5.4 运行机制
5.4.1 文件读取
5.4.2 文件写入
5.4.3 特别关注
5.5 系统功能
5.5.1 多文件系统
5.5.2 目录管理
5.5.3 文件管理
5.5.4 文件归档
5.5.5 并行复制
5.6 系统I/O 特性
5.6.1 完整性校验
5.6.2 压缩与编码解码
5.6.3 序列化
5.6.4 特殊文件结构
5.7 非Java 访问接口
5.8 系统性能
5.8.1 可靠性措施
5.8.2 性能优化
第6章 MapReduce 分布式编程模式
6.1 不同于传统
6.2 设计思想
6.3 基本概念
6.3.1 map（）函数
6.3.2 reduce（）函数
6.3.3 键值对
6.3.4 中间结果
6.3.5 移动代码
6.3.6 作业和任务节点
6.4 系统架构
6.4.1 逻辑架构
6.4.2 物理架构
6.5 运行机制
6.5.1 作业运行
6.5.2 作业调度
6.5.3 任务执行
6.5.4 状态更新
6.5.5 作业完成
6.5.6 故障处理
6.6 关键技术
6.6.1 计数器
6.6.2 排序
6.6.3 连接
6.6.4 shuffle
6.6.5 内存处理
6.6.6 分布式缓存
6.7 类型与格式
6.7.1 MR 的类型
6.7.2 输入格式
6.7.3 输出格式
6.8 MR 的开发
6.8.1 开发端环境的建立
6.8.2 开发及单元测试
6.8.3 本地运行测试
6.8.4 集群运行
6.8.5 作业调试
6.8.6 远程调试
6.8.7 作业调优
6.9 MR 工作流
第7章 HBase 分布式数据库
7.1 设计目标
7.2 基本概念
7.2.1 逻辑模型
7.2.2 物理模型
7.2.3 区域
7.2.4 基本单元
7.2.5 Region 服务器
7.2.6 Master 主服务器
7.2.7 .META.元数据表
7.2.8 -ROOT-元数据表
7.3 系统架构
7.3.1 逻辑架构
7.3.2 物理架构
7.4 运行机制
7.5 系统功能
7.5.1 用户界面
7.5.2 shell 操作
7.6 库表设计
7.7 访问接口

第3篇 设计篇
第8章 系统设计背景和目标
8.1 系统设计背景
8.2 系统设计目标
8.2.1 存在问题
8.2.2 设计目标
第9章 系统架构设计
9.1 逻辑架构设计
9.1.1 系统逻辑架构
9.1.2 系统运行逻辑
9.2 功能架构设计
9.2.1 大数据管理系统的功能
9.2.2 ZooKeeper 系统的功能
9.2.3 Chukwa 采集系统的功能
9.2.4 Pig 系统功能
9.2.5 Hive 系统功能
9.3 数据架构设计
9.3.1 数据总体架构
9.3.2 分布式文件数据结构
9.3.3 分布式数据库数据结构
9.3.4 关系型数据库数据构成
第10章 运行架构设计
10.1 物理架构设计
10.1.1 网络拓扑
10.1.2 软/硬件选型
10.2 集成架构设计
10.2.1 总体集成设计
10.2.2 专项集成设计
10.3 安全架构设计
10.3.1 用户层安全
10.3.2 应用层安全
10.3.3 数据层安全
10.4 开发架构设计

第4篇 安装篇
第11章 安装规划
11.1 安装目标
11.2 安装步骤
第12章 环境准备
12.1 主机准备
12.2 介质准备
12.3 基础安装
12.3.1 JDK 安装
12.3.2 用户创建
12.3.3 SSH 配置
第13章 集群安装
13.1 HDFS 集群
13.1.1 解析配置
13.1.2 模板创建
13.1.3 复制分发
13.1.4 运行启动
13.1.5 测试验证
13.2 HBase 集群
13.2.1 解析配置
13.2.2 模板创建
13.2.3 复制分发
13.2.4 运行启动
13.2.5 测试验证
13.3 ZooKeeper 集群
13.3.1 解析配置
13.3.2 模板创建
13.3.3 复制分发
13.3.4 运行启动
13.3.5 测试验证
第14章 分布式应用安装
14.1 Pig 安装
14.1.1 本地安装
14.1.2 本地验证
14.1.3 集成配置
14.1.4 集成验证
14.2 Hive 安装
14.2.1 内嵌安装与验证
14.2.2 从内嵌改为独立
14.2.3 从独立改为远程
14.3 Chukwa 安装
14.3.1 基础系统安装
14.3.2 代理系统安装
14.3.3 收集系统的安装
14.3.4 作业系统的安装
14.3.5 HICC 系统的安装
第15章 集成联调
15.1 集群间的集成联调
15.1.1 HBase 与HDFS集成联调
15.1.2 HBase 与ZooKeeper集成联调
15.2 分布式应用与集群间的集成联调
15.2.1 Pig 与HDFS 的集成
15.2.2 Hive 与HDFS 的集成
15.2.3 Hive 与Hbase的集成
15.2.4 Chukwa 与HDFS的集成
15.3 客户端与分布式系统间的集成联调
15.3.1 与分布式集群系统的集成
15.3.2 与分布式应用系统的集成

第5篇 开发篇
第16章 大数据系统应用开发思路和环境
16.1 总体思路
16.1.1 大数据读写应用的开发
16.1.2 大数据分析应用的开发
16.2 开发环境
16.2.1 Plugin 插件的安装
16.2.2 Hadoop 开发环境的配置
16.2.3 示例程序验证
第17章 HDFS 文件读/写应用开发
17.1 文件列表
17.2 文件读取
17.3 文件上传
17.4 文件创建
17.5 文件写入
17.6 文件压缩与解压
17.6.1 压缩写入
17.6.2 解压后读取
17.7 目录创建
17.8 文件重命名
17.9 删除文件
17.10 查看文件时间
17.11 查看文件是否存在
17.12 查找文件位置
17.13 查找集群所有的节点
17.14 SequenceFile 文件格式转换
17.14.1 创建SequenceFile 格式的文件
17.14.2 读取SequenceFile 格式的文件
17.15 MapFile 文件格式转换
17.15.1 创建MapFile 格式的文件
17.15.2 读取MapFile 格式的文件
17.15.3 SequenceFile 格式转换成MapFile 格式
第18章 HBase 数据库读/写应用开发
18.1 创建表
18.2 删除表
18.3 查询数据库中的表
18.4 插入记录
18.5 查询记录
18.5.1 列族的查询
18.5.2 查询所有记录
18.5.3 基于行键查询
18.5.4 基于标签值查询
18.5.5 组合条件查询
18.6 修改记录
18.7 删除记录
第19章 ZooKeeper 开发
19.1 创建节点
19.2 删除节点
19.3 加入子节点
19.4 列出节点成员
19.5 获取节点内容

第20章 MapReduce 开发
第21章 Pig 开发
第22章 Hive 开发

第6篇 实践篇
第23章 企业大数据盘系统
第24章 Hadoop 的日志分析
参考文献

　　这次是我第一次为别人的书写序。序要求是非常有高度的、简练的文字。一方面，本人向来文学水平一般，无法写出很漂亮的文字；另一方面，一直觉得自己在学术方面的造诣太浅，为别人的书写序，有点班门弄斧的感觉。自己同时也怕序没有写好，反而给书带来了负面的影响。这次是因为受了感动，才冒着各种压力，绞尽脑汁来写这个序。
　　作者是一个我敬佩的人，敢于做非常具有挑战性的工作。写书本来不是一件容易的事情，写一本关于最新的技术的书，更加不容易。除了作者自身需要有很高的技术造诣，对书中相关技术的理解足够深刻外，还需要作者具备很强的表达能力和说服能力，把最新技术的奥秘清晰明了地展现给读者，让读者能够非常享受地从书中了解并明白技术及其内涵。同时，作者还要在内容和描述上非常有说服力，以各种论证、对比、案例等形式来让读者接受新的技术。通常，关于最新技术的对比和案例等都特别贫乏，作者必须花大量的时间来自行设计和
　　调研才能获得这些信息。本书的作者在写书过程中，每次都让我感到他非常坚定的信念，我深信他会坚持完成这个书稿。同时，他的书稿通俗易懂并且有足够的技术深度。作者漂亮地完成如此具有挑战性的工作，赢得了他应该有的尊重，这让我非常感动。
　　本书的内容展现了大数据领域中一些最新的技术，主要集中于Hadoop 生态中的HDFS（分布式文件系统）、MapReduce 分布式计算框架以及HBase 分布式数据库三大核心部件的相关技术和实现。作者分别从基础、技术、设计、安装、开发、实践等六个方面来展开这些技术，兼顾了技术原理、具体操作以及设计开发三个层面。不同背景、不同层次和不同目的的读者可以从这三个层面的六个方面来有选择地进行阅读。作者凭借其技术造诣，对内容的设计和编排以及技术的深度等把握得很好。
　　从技术层面，大数据是当前应对大规模基础设施以及大规模数字化后所产生的巨量数据的最为有效的技术之一。大数据提供了高效和高性能的数据采集、处理、存储、分析和挖掘的技术，使我们可以从容应对当前的巨量数据。从科学层面，大数据是当前数据科学的一个具体的技术实现，是当前科学发现中基于实验的科学发现方法、基于理论的科学发现方法和基于计算的科学发现方法以外的一种创新的科学发现方法。其主要思想是凭借巨量的数据，找出部分现象的有价值的信息，如各种现象之间的关联等。近年的一些实际案例显示，大数据在部分领域的应用中能够有效地从巨量的、低价值密度的数据中分析挖掘出有价值的信息。
　　大数据技术的流行度和热度，相信读者都已经感受到了。此书可以协助读者进一步了解大数据领域中部分最新的技术，帮助读者学习和掌握这些技术的精髓，推动大数据在更加广泛的范围内的应用。
　　赵淦森
　　华南师范大学计算机学院 博士生导师
　　大数据无疑是当前IT 产业界的热点。由于它对综合技术能力要求较高，各位初学者该如何“拥抱大数据”，还没有人能给出答案。本书可谓是“久旱中的甘霖”，为大家打开了大数据这一领域的大门，从大数据的基础技术，到系统的设计理论，无不进行了全面的概括和总结；本书绝不类似于当前一些大数据书籍的浅尝辄止，作者倾尽笔墨对大数据的系统设计、环境安装及开发实践进行了论述，使读者可以“登堂入室”，快速投入实战，把大数据技术从概念转化为实际的研发能力。巨龙兄在IT 产业界已经工作了20 余载，长期从事IT 企业高层技术管理工作，对咨询规划、技术研发、人才培养等各环节都非常擅长。书中随处可见他对大数据技术的深入理解，以及多年来孜孜不倦的经验总结，各处“杀马特”的概括和点评闪烁着智慧的光芒，使人深受启发。“集大成者得智慧”，看完本书后，仍让人回味犹长。
　　……

　　谷歌（Google）利用大数据技术在短短十多年内将寂寂无名的草根企业迅速打造成为全球著名的IT企业，这段商业传奇将全球的目光都聚焦到了大数据上，人们一致认为大数据时代已不可阻挡地到来了，任何个人和组织都将无法逃避大数据时代带来的挑战。眼下大数据已成为全社会关注的热点，政府、学校、企业等都积极投身于对大数据的讨论、研究和建设中，因为人们都深刻地认识到，大数据必将改变社会的未来。
　　在大数据时代，企业信息化建设该如何借助大数据技术来支撑商业模式、业务模式以及经营模式的创新和变革，以适应时代变化的需要，是当下企业最迫切需要解决的问题。早在20世纪80年代，美国著名学者诺兰就提出了著名的企业信息化建设六阶段的诺兰模型，模型中指出了数据管理和数据治理是企业信息化建设的最高阶段，在这个阶段，企业数据的发展和企业的发展是同步的。在诺兰模型提出30年后的今天，大数据技术的出现在证明了诺兰的先见性的同时，也为企业信息化建设向高级阶段迈进奠定了坚实的技术基础。
　　“三分虚拟化技术、七分分布式管理、十二分大数据”将是企业在大数据时代下信息化建设的指导思想。作者遵循这一思想，重点阐述了企业如何利用开源的大数据相关产品来进行企业大数据系统的设计和开发。企业可以通过本书所描述的方法，在现有信息化建设的基础上快速构建出企业大数据系统。
　　致谢
　　本书完成后，我将去中国科学院云计算中心工作。这么多年的努力，我终于找到了一群志同道合的伙伴，终于有了一个施展才华的平台。感谢中国科学院云计算中心的领导和同仁们，让有我了与你们一起为国家云计算、大数据建设和发展共同奋斗的机会。
　　华南师范大学的赵淦森博士一直致力于大数据技术的研究和推广工作，从他那里我得到了许多新的观点，在本书的写作过程中给我带来了很多启发。赵博士还在百忙之中抽空为本书作了序，在此表示衷心的感谢！
　　这本书的出版离不开电子工业出版社博文视点的郭立、孙学瑛等倾注的心血，正是他们不懈的努力才使得本书能与读者见面，在此对他们表示敬意。
　　我还要感谢我的朋友张业青、沈金、刘广平、陈建军等，是他们平时的交流和鼓励给了我创作的激情。
　　写作本书的工作量非常大，如果没有家庭长期以来的支持，我是不可能完成此书的。在此要感谢我的妻子王爱珍，感谢这么多年对我的鼓励和支持；还要感谢我的女儿王安迪，一直都理解老爸并给以鼓励，在此预祝她2014年高考能取得好成绩，进入自己心仪的大学。
　　联系作者
　　作者的笔名是老庄，取自“老子”和“庄子”，多年来一直坚持软件是一门理论和实践相结合的学科的理念，试图找出软件中本源的东西。
　　如果您发现本书的问题或者需要询问技术问题 ，可以通过作者的微博和邮件进行交流。