Hadoop权威指南：大数据的存储与分析(第4版)

　　第Ⅰ部分Hadoop基础知识
　　第1章初识Hadoop3
　　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
　　1.6ApacheHadoop发展简史12
　　1.7本书包含的内容16
　　第2章关于MapReduce19
　　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
　　2.4横向扩展31
　　2.5HadoopStreaming37
　　第3章Hadoop分布式文件系统42
　　3.1HDFS的设计42
　　3.2HDFS的概念44
　　3.3命令行接口50
　　3.4Hadoop文件系统52
　　3.5Java接口56
　　3.6数据流68
　　3.7通过distcp并行复制76
　　第4章关于YARN78
　　4.1剖析YARN应用运行机制79
　　4.2YARN与MapReduce1相比82
　　4.3YARN中的调度85
　　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
　　5.2压缩99
　　5.3序列化109
　　5.4基于文件的数据结构127
　　第Ⅱ部分关于MapReduce
　　第6章MapReduce应用开发141
　　6.1用于配置的API142
　　6.2配置开发环境144
　　6.3用MRUnit来写单元测试152
　　6.4本地运行测试数据156
　　6.5在集群上运行160
　　6.6作业调优174
　　6.7MapReduce的工作流176
　　第7章MapReduce的工作机制184
　　7.1剖析MapReduce作业运行
　　机制184
　　7.2失败191
　　7.3shuffle和排序195
　　7.4任务的执行201
　　第8章MapReduce的
　　类型与格式207
　　8.1MapReduce的类型207
　　8.2输入格式218
　　8.3输出格式236
　　第9章MapReduce的特性243
　　9.1计数器243
　　9.2排序252
　　9.3连接264
　　9.4边数据分布270
　　9.5MapReduce库类276
　　第Ⅲ部分Hadoop的操作
　　第10章构建Hadoop集群279
　　10.1集群规范280
　　10.2集群的构建和安装284
　　10.3Hadoop配置288
　　10.4安全性305
　　10.5利用基准评测程序测试
　　Hadoop集群311
　　第11章管理Hadoop314
　　11.1HDFS314
　　11.2监控327
　　11.3维护329
　　第Ⅳ部分Hadoop相关开源项目
　　第12章关于Avro341
　　12.1Avro数据类型和模式342
　　12.2内存中的序列化和
　　反序列化特定API347
　　12.3Avro数据文件349
　　12.4互操作性351
　　12.5模式解析352
　　12.6排列顺序354
　　12.7关于AvroMapReduce356
　　12.8使用AvroMapReduce
　　进行排序359
　　12.9其他语言的Avro362
　　第13章关于Parquet363
　　13.1数据模型364
　　13.2Parquet文件格式367
　　13.3Parquet的配置368
　　13.4Parquet文件的读/写369
　　13.5ParquetMapReduce374
　　第14章关于Flume377
　　14.1安装Flume378
　　14.2示例378
　　14.3事务和可靠性380
　　14.4HDFSSink382
　　14.5扇出385
　　14.6通过代理层分发387
　　14.7Sink组391
　　14.8Flume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Sqoop398
　　15.1获取Sqoop398
　　15.2Sqoop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
　　15.6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
　　15.10延伸阅读419
　　第16章关于Pig420
　　16.1安装与运行Pig421
　　16.2示例425
　　16.3与数据库进行比较428
　　16.4PigLatin429
　　16.5用户自定义函数446
　　16.6数据处理操作455
　　16.7Pig实战465
　　16.8延伸阅读468
　　第17章关于Hive469
　　17.1安装Hive470
　　17.2示例472
　　17.3运行Hive473
　　17.4Hive与传统数据库相比480
　　17.5HiveQL483
　　17.6表488
　　17.7查询数据501
　　17.8用户定义函数508
　　17.9延伸阅读516
　　第18章关于Crunch517
　　18.1示例518
　　18.2Crunch核心API521
　　18.3管线执行537
　　18.4Crunch库545
　　18.5延伸阅读547
　　第19章关于Spark548
　　19.1安装Spark549
　　19.2示例549
　　19.3弹性分布式数据集555
　　19.4共享变量564
　　19.5剖析Spark作业运行机制565
　　19.6执行器和集群管理器570
　　19.7延伸阅读574
　　第20章关于HBase575
　　20.1HBase基础575
　　20.2概念576
　　20.3安装581
　　20.4客户端584
　　20.5创建在线查询应用589
　　20.6HBase和RDBMS的比较598
　　20.7Praxis601
　　20.8延伸阅读602
　　第21章关于ZooKeeper604
　　21.1安装和运行ZooKeeper605
　　21.2示例607
　　21.3ZooKeeper服务615
　　21.4使用ZooKeeper来构建
　　应用629
　　21.5生产环境中的ZooKeeper640
　　21.6延伸阅读643
　　第Ⅴ部分案例学习
　　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ApacheCrunch648
　　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
　　23.1DNA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
　　22.5DNA测序和比对664
　　23.6ADAM，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Cascading674
　　24.1字段、元组和管道675
　　24.2操作678
　　24.3Taps，Schemes和Flows680
　　24.4Cascading实践应用681
　　24.5灵活性684
　　24.6ShareThis中的Hadoop和
　　Cascading685
　　24.7总结689
　　附录A安装ApacheHadoop691
　　附录B关于CDH697
　　附录C准备NCDC气象数据699
　　附录D新版和旧版Java
　　MapReduceAPI702

　　作者简介
　　TomWhite是杰出的Hadoop专家之一。自2007年2月以来，TomWhite一直是ApacheHadoop的提交者(committer)，也是Apache软件基金会的成员。Tom是Cloudera的软件工程师，他是Cloudera的首批员工，对Apache和Cloudera做出了举足轻重的贡献。在此之前，他是一名独立的Hadoop顾问，帮助公司搭建、使用和扩展Hadoop。他是很多行业大会的专题演讲人，比如ApacheCon、OSCON和Strata。Tom在英国剑桥大学获得数学学士学位，在利兹大学获得科学哲学硕士学位。他目前与家人居住在威尔士。
　　译者简介
　　王海博士，解放军理工大学通信工程学院教授，博导，教研中心主任，长期从事无线自组网网络的设计与研发工作，主持国家自然科学基金、国家863计划课题等多项课题，近5年获军队科技进步二等奖1项，三等奖6项，作为di一发明人申请国家发明专利十余项，发表学术论文50余篇。
　　华东博士，现任南京医科大学计算机教研室教师，一直致力于计算机辅助教学的相关技术研究，陆续开发了人体解剖学网络自主学习考试平台、诊断学自主学习平台和面向执业医师考试的预约化考试平台等系统，并在各个学科得到广泛的使用，获得全国高等学校计算机课件评比一等奖和三等奖各一项。主编、副主编教材两部，获发明专利一项、软件著作权多项。
　　刘喻博士，长期从事软件开发、软件测试和软件工程化管理工作，目前任教于清华大学软件所。
　　吕粤海，长期从事军事通信网络技术研究与软件开发工作，先后通过华为光网络高级工程师认证、思科网络工程师认证。

　　本书结合理论和实践，由浅入深，全方位介绍了Hadoop这一高性能的海量数据处理和分析平台。全书5部分24章，第Ⅰ部分介绍Hadoop基础知识，主题涉及Hadoop、MapReduce、Hadoop分布式文件系统、YARN、Hadoop的I/O操作。第Ⅱ部分介绍MapReduce,主题包括MapReduce应用开发；MapReduce的工作机制、MapReduce的类型与格式、MapReduce的特性。第Ⅲ部分介绍Hadoop的运维，主题涉及构建Hadoop集群、管理Hadoop。第Ⅳ部分介绍Hadoop相关开源项目，主题涉及Avro、Parquet、Flume、Sqoop、Pig、Hive、Crunch、Spark、HBase、ZooKeeper。第Ⅴ部分提供了三个案例，分别来自医疗卫生信息技术服务商塞纳(Cerner)、微软的人工智能项目ADAM(一种大规模分布式深度学习框架)和开源项目Cascading(一个新的针对MapReduce的数据处理API)。
　　本书是一本专业、全面的Hadoop参考书和工具书，阐述了Hadoop生态圈的新发展和应用，程序员可以从中探索海量数据集的存储和分析，管理员可以从中了解Hadoop集群的安装和运维。