大數(shù)據(jù)采集與處理

第1章 大數(shù)據(jù)基礎(chǔ) 1
1．1 大數(shù)據(jù)概念及特征 1
1．2 大數(shù)據(jù)采集與處理基本流程 2
1．2．1 大數(shù)據(jù)采集 3
1．2．2 大數(shù)據(jù)預(yù)處理 3
1．2．3 大數(shù)據(jù)處理 4
1．3 大數(shù)據(jù)分析 5
1．4 大數(shù)據(jù)應(yīng)用 6
1．4．1 大數(shù)據(jù)應(yīng)用行業(yè)分類(lèi) 6
1．4．2 大數(shù)據(jù)分析在商業(yè)上的應(yīng)用 7
習(xí)題 9
參考文獻(xiàn) 9
第2章 開(kāi)源Hadoop 10
2．1 Hadoop概述 10
2．1．1 Hadoop簡(jiǎn)介 10
2．1．2 Hadoop起源及發(fā)展史 11
2．1．3 Hadoop發(fā)行版本 12
2．1．4 Hadoop特性 13
2．2 Hadoop生態(tài)系統(tǒng) 13
2．2．1 HDFS 14
2．2．2 MapReduce 15
2．2．3 Hive 15
2．2．4 ZooKeeper 16
2．2．5 Flume 17
2．2．6 Kafka 17
2．2．7 Spark 18
2．2．8 Storm 19
2．2．9 Flink 20
2．2．10 YARN 20
2．3 Hadoop的安裝與使用 21
2．3．1 環(huán)境準(zhǔn)備 22
2．3．2 單機(jī)模式 24
2．3．3 偽分布式 25
2．3．4 完全分布式安裝 38
習(xí)題 44
參考文獻(xiàn) 45
第3章 大數(shù)據(jù)采集 46
3．1 數(shù)據(jù)采集與大數(shù)據(jù)采集 46
3．1．1 數(shù)據(jù)采集 47
3．1．2 大數(shù)據(jù)采集及數(shù)據(jù)來(lái)源 47
3．1．3 傳統(tǒng)數(shù)據(jù)采集與大數(shù)據(jù)采集的區(qū)別 48
3．1．4 大數(shù)據(jù)采集分類(lèi) 48
3．2 大數(shù)據(jù)采集方法 49
3．2．1 數(shù)據(jù)庫(kù)采集 50
3．2．2 系統(tǒng)日志采集 50
3．2．3 網(wǎng)絡(luò)數(shù)據(jù)采集 51
3．2．4 傳感器采集 51
3．2．5 眾包采集 51
3．3 常用采集工具及平臺(tái) 52
3．3．1 Flume 52
3．3．2 Fluentd 53
3．3．3 Logstash 55
3．3．4 Chukwa 56
3．3．5 Scribe 57
3．3．6 Splunk 58
3．3．7 Scrapy 59
3．4 網(wǎng)絡(luò)爬蟲(chóng) 61
3．4．1 網(wǎng)絡(luò)爬蟲(chóng)分類(lèi) 61
3．4．2 網(wǎng)絡(luò)爬蟲(chóng)發(fā)展現(xiàn)狀 62
3．4．3 網(wǎng)絡(luò)爬蟲(chóng)使用技術(shù) 63
3．5 實(shí)戰(zhàn) 64
3．5．1 項(xiàng)目準(zhǔn)備 64
3．5．2 架構(gòu)設(shè)計(jì) 65
3．5．3 代碼實(shí)現(xiàn) 66
3．5．4 結(jié)果展示 73
習(xí)題 78
參考文獻(xiàn) 78
第4章 日志采集 79
4．1 日志采集概述 79
4．1．1 系統(tǒng)日志分類(lèi) 79
4．1．2 日志分析系統(tǒng)架構(gòu)及日志采集方式 80
4．1．3 日志采集應(yīng)用場(chǎng)景與日志分析應(yīng)用場(chǎng)景 81
4．1．4 日志采集系統(tǒng)關(guān)鍵技術(shù) 82
4．2 Scribe 83
4．2．1 Scribe概述 83
4．2．2 Scribe全局配置 83
4．2．3 Scribe的存儲(chǔ)類(lèi)型配置 84
4．3 Chukwa 88
4．3．1 Chukwa概述 88
4．3．2 Chukwa架構(gòu) 88
4．3．3 Chukwa數(shù)據(jù)收集應(yīng)用 89
4．4 Kafka 90
4．4．1 Kafka概述 90
4．4．2 Kafka架構(gòu) 91
4．4．3 Kafka日志采集 93
4．5 Flume 94
4．5．1 Flume概述 94
4．5．2 Flume架構(gòu) 95
4．5．3 Flume的優(yōu)勢(shì) 95
4．6 實(shí)戰(zhàn) 95
4．6．1 Flume安裝部署 96
4．6．2 環(huán)境測(cè)試 98
4．6．3 采集目錄到HDFS 99
4．6．4 采集文件到HDFS 100
習(xí)題 101
參考文獻(xiàn) 101
第5章 大數(shù)據(jù)預(yù)處理 102
5．1 為什么要進(jìn)行數(shù)據(jù)預(yù)處理 102
5．2 大數(shù)據(jù)預(yù)處理總體架構(gòu) 104
5．3 大數(shù)據(jù)預(yù)處理方法 105
5．3．1 數(shù)據(jù)清洗 105
5．3．2 數(shù)據(jù)集成 108
5．3．3 數(shù)據(jù)轉(zhuǎn)換 109
5．3．4 數(shù)據(jù)消減 110
5．4 ETL工具Kettle 116
5．4．1 ETL介紹 116
5．4．2 Kettle介紹 119
5．4．3 Kettle安裝與配置 142
5．5 實(shí)戰(zhàn) 151
5．5．1 基于Python的數(shù)據(jù)預(yù)處理 151
5．5．2 基于Hadoop生態(tài)圈的Kettle應(yīng)用 155
習(xí)題 179
參考文獻(xiàn) 180
第6章 大數(shù)據(jù)存儲(chǔ) 182
6．1 大數(shù)據(jù)存儲(chǔ)概述 183
6．1．1 大數(shù)據(jù)存儲(chǔ)面臨的問(wèn)題 183
6．1．2 大數(shù)據(jù)存儲(chǔ)方式 184
6．1．3 大數(shù)據(jù)存儲(chǔ)技術(shù)路線(xiàn) 184
6．2 HDFS 185
6．2．1 HDFS架構(gòu) 186
6．2．2 HDFS存儲(chǔ)機(jī)制 187
6．2．3 NameNode和DataNode工作機(jī)制 190
6．3 NoSQL 193
6．3．1 NoSQL數(shù)據(jù)庫(kù)概述 193
6．3．2 HBase 198
6．3．3 MongoDB 206
6．3．4 Redis 214
6．4 ElasticSearch 220
6．4．1 ElasticSearch概述 220
6．4．2 ElasticSearch基本概念 221
6．4．3 ElasticSearch工作原理 223
6．4．4 ElasticSearch存儲(chǔ)機(jī)制 224
6．4．5 ElasticSearch分布式存儲(chǔ) 226
6．4．6 ElasticSearch安裝與運(yùn)行 229
6．5 實(shí)戰(zhàn) 231
6．5．1 主從模式搭建 231
6．5．2 Sentinel模式搭建 235
6．5．3 Cluster模式搭建 238
習(xí)題 245
參考文獻(xiàn) 245
第7章 MapReduce 246
7．1 概述 246
7．2 MapReduce計(jì)算框架 247
7．2．1 MapReduce模型 247
7．2．2 MapReduce函數(shù) 249
7．2．3 MapReduce資源管理 250
7．2．4 MapReduce生命周期管理 251
7．3 MapReduce工作流程及原理 253
7．3．1 MapReduce工作流程 253
7．3．2 MapReduce工作原理 254
7．4 深入Shuffle過(guò)程 255
7．4．1 Map端Shuffle 256
7．4．2 Reduce端Shuffle 260
7．5 實(shí)戰(zhàn) 262
7．5．1 任務(wù)準(zhǔn)備 262
7．5．2 編寫(xiě)Map程序 262
7．5．3 編寫(xiě)Reduce 程序 263
7．5．4 編寫(xiě)main函數(shù) 265
7．5．5 核心代碼包 265
7．5．6 運(yùn)行代碼 266
習(xí)題 266
參考文獻(xiàn) 267
第8章 Hive數(shù)據(jù)倉(cāng)庫(kù) 268
8．1 數(shù)據(jù)倉(cāng)庫(kù)簡(jiǎn)介 269
8．1．1 數(shù)據(jù)倉(cāng)庫(kù)概念 269
8．1．2 數(shù)據(jù)倉(cāng)庫(kù)的結(jié)構(gòu) 269
8．1．3 傳統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)的問(wèn)題 271
8．1．4 數(shù)據(jù)倉(cāng)庫(kù)的發(fā)展 271
8．2 Hive 272
8．2．1 Hive簡(jiǎn)介 272
8．2．2 Hive與傳統(tǒng)數(shù)據(jù)庫(kù)的對(duì)比 273
8．2．3 Hive系統(tǒng)架構(gòu) 275
8．2．4 Hive體系結(jié)構(gòu) 276
8．2．5 Hive工作原理 277
8．2．6 Hive的數(shù)據(jù)模型 283
8．2．7 Hive基本操作 284
8．3 Impala 288
8．3．1 Impala簡(jiǎn)介 288
8．3．2 Impala架構(gòu) 290
8．3．3 Impala執(zhí)行過(guò)程 292
8．3．4 Impala與Hive比較 294
8．3．5 Impala基本操作 294
8．4 Spark SQL 296
8．4．1 Spark SQL簡(jiǎn)介 296
8．4．2 Spark SQL系統(tǒng)架構(gòu) 297
8．4．3 HiveContext和SQLContext的運(yùn)行過(guò)程 298
8．4．4 Shark和Spark SQL 299
8．4．5 Spark SQL基本操作 303
8．5 案例 305
8．5．1 大數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)案例 305
8．5．2 YouTuBe項(xiàng)目實(shí)戰(zhàn) 307
習(xí)題 318
參考文獻(xiàn) 318
第9章 流計(jì)算 319
9．1 流計(jì)算簡(jiǎn)介 319
9．1．1 流計(jì)算的概念及特點(diǎn) 320
9．1．2 流計(jì)算的適用范圍與應(yīng)用場(chǎng)景 321
9．2 Spark Streaming 321
9．2．1 Spark Streaming 概述 321
9．2．2 Spark Streaming基本原理 322
9．2．3 Spark Streaming 運(yùn)行架構(gòu) 322
9．2．4 實(shí)戰(zhàn) 323
9．3 Storm 325
9．3．1 Storm概述 326
9．3．2 Storm基礎(chǔ)架構(gòu) 326
9．3．3 Storm運(yùn)行流程 327
9．3．4 實(shí)戰(zhàn) 328
9．4 Flink 332
9．4．1 Flink概述 333
9．4．2 Flink運(yùn)行架構(gòu) 335
9．4．3 實(shí)戰(zhàn) 336
9．5 案例 341
9．5．1 任務(wù)目標(biāo) 341
9．5．2 實(shí)驗(yàn)環(huán)境 341
9．5．3 數(shù)據(jù)準(zhǔn)備 341
9．5．4 業(yè)務(wù)（任務(wù)）實(shí)現(xiàn) 344
9．5．5 結(jié)果展示 350
習(xí)題 351
參考文獻(xiàn) 351
第10章 Pregel圖計(jì)算 352
10．1 Pregel圖計(jì)算簡(jiǎn)介 353
10．1．1 圖結(jié)構(gòu)數(shù)據(jù) 353
10．1．2 傳統(tǒng)圖計(jì)算解決方案的不足 353
10．1．3 圖計(jì)算通用軟件 353
10．1．4 Pregel簡(jiǎn)介 354
10．2 Pregel圖計(jì)算模型 355
10．2．1 有向圖和頂點(diǎn) 355
10．2．2 頂點(diǎn)之間的消息傳遞 355
10．2．3 Pregel計(jì)算過(guò)程 356
10．3 Pregel工作原理 358
10．3．1 Pregel的C++ API 358
10．3．2 消息傳遞機(jī)制和Combiner 358
10．3．3 Aggregator機(jī)制 359
10．3．4 拓?fù)涓淖?360
10．3．5 輸入和輸出 360
10．4 Pregel體系結(jié)構(gòu) 360
10．4．1 Pregel的執(zhí)行過(guò)程 360
10．4．2 容錯(cuò)性 362
10．4．3 Worker 363
10．4．4 Master 363
10．4．5 Aggregator 364
10．5 Pregel應(yīng)用實(shí)例 365
10．5．1 單源最短路徑 365
10．5．2 PageRank算法實(shí)現(xiàn)及比較 367
10．6 Hama 371
10．6．1 Hama介紹 371
10．6．2 Hama體系結(jié)構(gòu) 371
10．6．3 Hama實(shí)現(xiàn)PageRank算法 372
習(xí)題 374
參考文獻(xiàn) 374
第11章 大數(shù)據(jù)安全技術(shù)及應(yīng)用 375
11．1 大數(shù)據(jù)安全概述 376
11．2 大數(shù)據(jù)安全威脅形式 376
11．2．1 大數(shù)據(jù)基礎(chǔ)設(shè)施安全威脅 376
11．2．2 大數(shù)據(jù)生命周期安全威脅 377
11．2．3 大數(shù)據(jù)隱私安全威脅 379
11．3 大數(shù)據(jù)安全關(guān)鍵路徑 380
11．3．1 大數(shù)據(jù)性能安全保障 380
11．3．2 大數(shù)據(jù)安全關(guān)鍵技術(shù) 387
11．4 大數(shù)據(jù)安全管理及應(yīng)用 391
11．4．1 大數(shù)據(jù)安全管理 392
11．4．2 大數(shù)據(jù)安全應(yīng)用 394
11．5 大數(shù)據(jù)安全案例分析 398
11．5．1 安全性能案例――如何自行搭建大數(shù)據(jù)計(jì)算平臺(tái) 398
11．5．2 生命周期安全分析案例――大數(shù)據(jù)內(nèi)網(wǎng)的硬件漏洞安全分析 400
習(xí)題 403
參考文獻(xiàn) 403
第12章 行業(yè)大數(shù)據(jù)采集與處理 404
12．1 電商大數(shù)據(jù)采集與處理 404
12．1．1 電商行業(yè)大數(shù)據(jù)概述 404
12．1．2 京東大數(shù)據(jù)采集與處理 404
12．1．3 某電商網(wǎng)站完整離線(xiàn)數(shù)據(jù)分析案例 410
12．2 煤炭大數(shù)據(jù)采集與處理 423
12．2．1 煤炭行業(yè)大數(shù)據(jù)概述 423
12．2．2 煤炭行業(yè)大數(shù)據(jù)采集與處理 424
12．2．3 煤炭行業(yè)大數(shù)據(jù)平臺(tái)案例 425
12．3 教育大數(shù)據(jù)采集與處理 432
12．3．1 總體技術(shù)架構(gòu) 432
12．3．2 Hadoop與Spark集成平臺(tái) 433
12．3．3 數(shù)據(jù)采集方案設(shè)計(jì) 434
12．3．4 數(shù)據(jù)清洗方案設(shè)計(jì) 435
12．3．5 數(shù)據(jù)存儲(chǔ)方案設(shè)計(jì) 436
12．3．6 學(xué)生學(xué)業(yè)預(yù)警系統(tǒng)需求分析 437
12．3．7 系統(tǒng)體系結(jié)構(gòu)設(shè)計(jì) 438
12．4 醫(yī)療大數(shù)據(jù)采集與處理 439
12．4．1 醫(yī)療大數(shù)據(jù)概述 439
12．4．2 醫(yī)療行業(yè)大數(shù)據(jù)采集與處理 441
12．4．3 醫(yī)療大數(shù)據(jù)采集與處理案例 443
12．5 電信大數(shù)據(jù)采集與處理 447
12．5．1 電信行業(yè)大數(shù)據(jù)概述 448
12．5．2 電信行業(yè)大數(shù)據(jù)采集與處理 450
12．5．3 電信行業(yè)大數(shù)據(jù)案例 452
12．6 交通大數(shù)據(jù)采集與處理 455
12．6．1 交通大數(shù)據(jù)概述 456
12．6．2 交通行業(yè)大數(shù)據(jù)采集與處理 461
12．6．3 交通大數(shù)據(jù)案例 466
習(xí)題 476
參考文獻(xiàn) 477