自己動手做大數(shù)據(jù)系統(tǒng)（第2版）

第一部分　大數(shù)據(jù)概述
第1章　大數(shù)據(jù)的時代背景及應(yīng)用落地 2
1．1　大數(shù)據(jù)與“云大物區(qū)智”的關(guān)聯(lián) 2
1．2　大數(shù)據(jù)平臺的應(yīng)用優(yōu)勢 4
1．3　大數(shù)據(jù)平臺的技術(shù)架構(gòu)選型和產(chǎn)品對比 4
第2章　大數(shù)據(jù)系統(tǒng)的安裝及配置 7
2．1　服務(wù)器及操作系統(tǒng)的準備 7
2．2　JDK、PYTHON和SCALA 8
2．3　HADOOP 12
2．3．1 安裝環(huán)境的確認及文件準備 16
2．3．2 配置環(huán)境變量及無密碼傳輸 16
2．3．3 配置Hadoop的對應(yīng)參數(shù) 18
2．3．4 啟動并驗證Hadoop 20
2．4　SQOOP 20
2．4．1 Sqoop安裝文件的準備 22
2．4．2 Sqoop的安裝及配置 23
2．4．3 Sqoop運行驗證 24
2．5　HIVE 25
2．5．1 安裝文件的準備 26
2．5．2 配置環(huán)境變量和安裝MySQL 26
2．5．3 配置Hive參數(shù) 26
2．5．4 驗證Hive的相關(guān)服務(wù) 29
2．6　ZOOKEEPER和HBASE 29
2．6．1 ZooKeeper安裝文件的準備 30
2．6．2 ZooKeeper的安裝及配置 30
2．6．3 ZooKeeper運行驗證 31
2．6．4 HBase安裝文件的準備 31
2．6．5 HBase的安裝及配置 31
2．6．6 HBase運行驗證 32
2．7　FLUME 33
2．8　KAFKA 35
2．9　SPARK 37
2．9．1 Spark安裝文件的準備 38
2．9．2 Spark的安裝及配置 38
2．9．3 Spark運行驗證 39
2．10　FLINK 39
2．11　開源大數(shù)據(jù)系統(tǒng)各組件的組合 40
2．12　CDH 41
2．13　FUSIONINSIGHT 42
2．14　小結(jié) 44
第二部分　離線大數(shù)據(jù)處理
第3章 使用PYTHON爬蟲獲取數(shù)據(jù) 47
3．1　PYTHON爬蟲模塊的安裝 47
3．1．1　requests模塊的安裝及驗證 47
3．1．2 Beautiful Soup模塊的安裝及驗證 47
3．2　抓取并解析JSON數(shù)據(jù) 49
3．2．1　利用Fiddler找出所抓取的網(wǎng)址 49
3．2．2 解析JSON對象 51
3．3 抓取并解析HTML中的數(shù)據(jù) 52
3．3．1 使用Beautiful Soup提取網(wǎng)頁內(nèi)容 52
3．3．2 保存抓取內(nèi)容 53
3．3．3 不同爬蟲模塊所適用的場景 55
3．4 使用PYTHON提取文章的關(guān)鍵字 55
3．4．1 中文分詞和關(guān)鍵字的提取 55
3．4．2 Python的中文分詞模塊jieba 56
3．4．3 使用自定義詞典和停用詞 57
3．4．4 提取文章的關(guān)鍵字 58
3．5 小結(jié) 60
第4章 HIVE在大數(shù)據(jù)中的角色 61
4．1 HIVE的核心概念及配置使用 61
4．1．1 Hive在大數(shù)據(jù)生態(tài)系統(tǒng)中的作用 61
4．1．2 Hive的幾種使用方法 62
4．1．3 使用Tez引擎替代MapReduce 65
4．2 概要設(shè)計和物理模型的創(chuàng)建 68
4．2．1 使用Hive要解決哪些問題 68
4．2．2 數(shù)據(jù)庫的概要設(shè)計 68
4．2．3 物理模型的定義及創(chuàng)建表 73
4．3 加載爬蟲數(shù)據(jù) 79
4．4 數(shù)據(jù)的合并、去重和轉(zhuǎn)換 80
4．4．1 數(shù)據(jù)的合并 80
4．4．2 利用臨時表去掉重復(fù)的數(shù)據(jù) 81
4．4．3 使用Hive內(nèi)置函數(shù)轉(zhuǎn)換數(shù)據(jù) 83
4．5 使用UDF實現(xiàn)數(shù)據(jù)的轉(zhuǎn)換 84
4．5．1 用戶自定義函數(shù)的實現(xiàn)原理 84
4．5．2 利用Python實現(xiàn)UDF 84
4．5．3 數(shù)據(jù)進入rpt表 87
4．6 使用PYTHON操作HIVE 89
4．6．1 安裝impyla模塊 89
4．6．2 使用Python讀取數(shù)據(jù)示例 89
4．7 ETL數(shù)據(jù)調(diào)度和數(shù)據(jù)治理 90
4．7．1 數(shù)據(jù)處理的自動化 90
4．7．2 數(shù)據(jù)治理 95
4．8 小結(jié) 96
第5章 使用HBASE實現(xiàn)大數(shù)據(jù)存儲 97
5．1 非關(guān)系型數(shù)據(jù)庫及HBASE 97
5．2 HBASE的幾個核心概念 98
5．3 HBASE數(shù)據(jù)操作命令 99
5．3．1 HBase客戶端 99
5．3．2 創(chuàng)建表及插入數(shù)據(jù) 100
5．3．3 按照行鍵值檢索 102
5．3．4 掃描檢索 102
5．3．5 刪除表和數(shù)據(jù) 104
5．4 使用PYTHON操作HBASE 107
5．4．1 啟動HBase Thrift Server 107
5．4．2 安裝happybase模塊 107
5．4．3 插入數(shù)據(jù)及刪除數(shù)據(jù) 107
5．4．4 組合查詢代碼示例 109
5．5 把HIVE數(shù)據(jù)導入HBASE 110
5．6 用HIVE外部表讀取HBASE數(shù)據(jù) 111
5．7 小結(jié) 112
第6章 SPARK數(shù)據(jù)分析引擎 113
6．1 SPARK簡介 113
6．2 SPARK集群的配置及啟動 114
6．2．1 Spark集群的安裝與配置 115
6．2．2 作業(yè)提交方式 116
6．2．3 操作界面的啟動類型 117
6．2．4 三類Web監(jiān)控界面 119
6．3 調(diào)用HIVE數(shù)據(jù) 121
6．3．1 使用beeline客戶端 121
6．3．2 使用HiveContext對象 122
6．3．3 使用Spark SQL 123
6．3．4 使用JDBC 123
6．4 調(diào)用HBASE數(shù)據(jù) 123
6．4．1 設(shè)定環(huán)境變量 123
6．4．2 讀數(shù)據(jù)示例 124
6．5 使用PYSPARK進行數(shù)據(jù)分析 126
6．5．1 將RDD轉(zhuǎn)換為DataFrame 127
6．5．2 Spark SQL等值連接 129
6．5．3 使用matplotlib繪制直方圖 129
6．6 小結(jié) 130
第7章 使用FLASK實現(xiàn)數(shù)據(jù)展示 131
7．1 FLASK框架簡介及站點搭建流程 131
7．2 FLASK微框架的特性 132
7．3 使用MVC模式搭建項目框架 133
7．3．1 訪問地址 133
7．3．2 MVC模式簡介 133
7．3．3 項目目錄結(jié)構(gòu) 134
7．4 檢索及加載新聞數(shù)據(jù) 135
7．4．1 模型層的開發(fā) 135
7．4．2 模型層的單元測試 136
7．4．3 控制器層的開發(fā) 138
7．4．4 控制器層的單元測試 139
7．4．5 視圖層的開發(fā) 140
7．5 小結(jié) 141
第二部分技術(shù)點總結(jié) 141
第三部分 流式大數(shù)據(jù)處理
第8章 使用FLUME獲取網(wǎng)站訪問日志 145
8．1 FLUME的安裝及數(shù)據(jù)流模型 145
8．1．1 Flume簡介及安裝 145
8．1．2 Flume的數(shù)據(jù)流模型 146
8．2 核心組件的配合使用 146
8．2．1 6種核心組件 146
8．2．2 配置文件 147
8．2．3 flume-ng命令 148
8．3 各種數(shù)據(jù)組合的流動方式 150
8．3．1 將日志收集至文件 150
8．3．2 Sink的多路復(fù)用 152
8．3．3 使用Avro作為數(shù)據(jù)源 154
8．3．4 Channel的多路復(fù)用 155
8．4 APACHE服務(wù)器的日志格式 158
8．5 合并兩個網(wǎng)站的日志 160
8．6 小結(jié) 162
第9章 KAFKA的安裝、配置及其與FLUME的整合 163
9．1 KAFKA的特性及安裝、配置 163
9．1．1 Kafka的特性和適用場合 163
9．1．2 安裝、配置Kafka 164
9．2 幾種術(shù)語 166
9．3 BROKER的使用方法 167
9．3．1 單節(jié)點單Broker 168
9．3．2 單節(jié)點多Broker 169
9．3．3 分布式Broker 172
9．3．4 分區(qū)及偏移量 174
9．3．5 分區(qū)選擇策略 176
9．4 分布式生產(chǎn)者/消費者 176
9．4．1 兩個生產(chǎn)者 176
9．4．2 消費者組 177
9．5 KAFKA CONNECTOR 180
9．5．1 File Source 181
9．5．2 File Sink 182
9．6 KAFKA和FLUME的整合 183
9．6．1 給Flume提供數(shù)據(jù) 183
9．6．2 從Flume中獲取數(shù)據(jù) 184
9．7 使用PYTHON連接KAFKA 186
9．8 小結(jié) 187
第10章 REDIS數(shù)據(jù)庫簡介 188
10．1 REDIS的特點及適用場景 188
10．2 REDIS的安裝及命令行使用方法 188
10．2．1 Redis的安裝及啟動 188
10．2．2 命令行客戶端 189
10．2．3 5種數(shù)據(jù)類型 190
10．2．4 字符串命令 191
10．3 使用PYTHON操作REDIS 193
10．4 使用JAVA操作REDIS 194
10．5 小結(jié) 195
第11章 FLINK簡介及其與KAFKA的整合 196
11．1 FLINK概述及其與SPARK的區(qū)別 196
11．2 FLINK的架構(gòu)、特性及工作流程 196
11．3 FLINK的安裝 199
11．3．1 單節(jié)點的安裝 199
11．3．2 集群的安裝 201
11．3．3 利用ZooKeeper實現(xiàn)Flink的高可用性 203
11．4 FLINK的作業(yè)提交方式 205
11．4．1 以Standalone方式運行 205
11．4．2 利用YARN Session運行 207
11．4．3 利用Python調(diào)用Flink服務(wù) 212
11．4．4 使用REST API查看狀態(tài) 213
11．5 FLINK-KAFKA CONNECTOR 214
11．5．1 Flink為Kafka提供數(shù)據(jù) 215
11．5．2 Flink從Kafka接收數(shù)據(jù) 219
11．6 使用FLINK統(tǒng)計PAGEVIEW 221
11．6．1 Flink開發(fā)的一般步驟 221
11．6．2 Flink DataStream API 221
11．6．3 將數(shù)據(jù)落地至Redis和HBase 227
11．7 小結(jié) 235
第12章 網(wǎng)站頁面訪問量的動態(tài)展示 236
12．1 百度的ECHARTS圖表功能簡介 236
12．2 頁面訪問量的動態(tài)統(tǒng)計 238
12．2．1 模型層的開發(fā) 239
12．2．2 控制器層的開發(fā) 242
12．2．3 視圖層的開發(fā) 242
12．3 生成詞云圖和占比餅圖 245
12．3．1 詞云圖模型層的開發(fā) 245
12．3．2 詞云圖控制器層的開發(fā) 248
12．3．3 詞云圖視圖層的開發(fā) 249
12．3．4 關(guān)鍵字餅圖的模型層開發(fā) 249
12．3．5 關(guān)鍵字餅圖的控制器層開發(fā) 250
12．3．6 關(guān)鍵字餅圖的視圖層開發(fā) 251
12．4 訪問日志檢索 252
12．5 小結(jié) 253
第三部分技術(shù)點總結(jié) 253
第四部分 云平臺搭建
第13章　搭建基于云平臺的容器級數(shù)據(jù)系統(tǒng) 256
13．1　云平臺 256
13．1．1　云平臺架構(gòu) 256
13．1．2　云平臺的搭建及部署 259
13．1．3 云平臺的高級配置 303
13．2 基于云平臺的容器集群 309
13．2．1 Magnum 309
13．2．2 Docker Swarm 311
13．2．3 Mesos和Marathon的結(jié)合 316
13．2．4 Kubernetes 323
13．3 基于容器的大數(shù)據(jù)系統(tǒng) 331
13．4　小結(jié) 339