Hadoop實戰(zhàn)

第一部分  Hadoop——一種分布式編程框架
第1 章  Hadoop簡介　　2
1.1  為什么寫《Hadoop 實戰(zhàn)》　　3
1.2  什么是Hadoop 　　3
1.3  了解分布式系統(tǒng)和Hadoop 　　4
1.4  比較SQL 數(shù)據(jù)庫和Hadoop　　5
1.5  理解MapReduce　　6
1.5.1  動手擴展一個簡單程序　　7
1.5.2  相同程序在MapReduce中的擴展　　9
1.6  用Hadoop統(tǒng)計單詞——運行第一個程序　　11
1.7  Hadoop歷史　　15
1.8  小結(jié)　　16
1.9  資源　　16
第2 章  初識Hadoop 　　17
2.1  Hadoop 的構(gòu)造模塊　　17
2.1.1  NameNode 　　17
2.1.2  DataNode 　　18
2.1.3  Secondary NameNode 　　19
2.1.4  JobTracker　　19
2.1.5  TaskTracker　　19
2.2  為Hadoop 集群安裝SSH　　21
2.2.1  定義一個公共賬號　　21
2.2.2  驗證SSH安裝　　21
2.2.3  生成SSH密鑰對　　21
2.2.4  將公鑰分布并登錄驗證　　22
2.3  運行Hadoop 　　22
2.3.1  本地（單機）模式　　23
2.3.2   偽分布模式　　24
2.3.3  全分布模式　　25
2.4  基于Web 的集群用戶界面　　28
2.5  小結(jié)　　30
第3 章  Hadoop組件　　31
3.1  HDFS 文件操作　　31
3.1.1  基本文件命令　　32
3.1.2  編程讀寫HDFS　　35
3.2  剖析MapReduce 程序　　37
3.2.1  Hadoop數(shù)據(jù)類型　　39
3.2.2  Mapper　　40
3.2.3  Reducer　　41
3.2.4  Partitioner：重定向Mapper輸出　　41
3.2.5  Combiner：本地reduce 　　43
3.2.6  預定義mapper和Reducer類的單詞計數(shù)　　43
3.3  讀和寫　　43
3.3.1  InputFormat 　　44
3.3.2  OutputFormat　　49
3.4  小結(jié)　　50
第二部分  實戰(zhàn)
第4 章  編寫MapReduce基礎(chǔ)程序　　52
4.1  獲得專利數(shù)據(jù)集　　52
4.1.1  專利引用數(shù)據(jù)　　53
4.1.2  專利描述數(shù)據(jù)　　54
4.2  構(gòu)建MapReduce 程序的基礎(chǔ)模板　　55
4.3  計數(shù)　　60
4.4  適應Hadoop API 的改變　　64
4.5  Hadoop 的Streaming 　　 67
4.5.1  通過Unix命令使用Streaming 　　 68
4.5.2  通過腳本使用Streaming　　 69
4.5.3  用Streaming處理鍵/值對　　 72
4.5.4  通過Aggregate包使用Streaming　　75
4.6  使用combiner 提升性能　　 80
4.7  溫故知新　　83
4.8  小結(jié)　　84
4.9  更多資源　　84
第5 章  高階MapReduce 　　 85
5.1  鏈接MapReduce 作業(yè)　　 85
5.1.1  順序鏈接MapReduce作業(yè)　　 85
5.1.2  具有復雜依賴的MapReduce鏈接　　86
5.1.3  預處理和后處理階段的鏈接　　86
5.2  聯(lián)結(jié)不同來源的數(shù)據(jù)　　 89
5.2.1  Reduce側(cè)的聯(lián)結(jié)　　 90
5.2.2  基于DistributedCache的復制聯(lián)結(jié)　　 98
5.2.3  半聯(lián)結(jié)：map側(cè)過濾后在reduce側(cè)聯(lián)結(jié)　　101
5.3  創(chuàng)建一個Bloom filter 　　102
5.3.1  Bloom filter做了什么　　102
5.3.2  實現(xiàn)一個Bloom filter 　　104
5.3.3  Hadoop 0.20 以上版本的Bloom filter 　　 110
5.4  溫故知新　　　110
5.5  小結(jié)　　 111
5.6  更多資源　　 112
第6 章  編程實踐　　 113
6.1  開發(fā)MapReduce 程序　　 113
6.1.1  本地模式　　 114
6.1.2  偽分布模式　　 118
6.2  生產(chǎn)集群上的監(jiān)視和調(diào)試　　123
6.2.1  計數(shù)器　　123
6.2.2  跳過壞記錄　　125
6.2.3  用IsolationRunner重新運行出錯的任務　　128
6.3  性能調(diào)優(yōu)　　 129
6.3.1  通過combiner來減少網(wǎng)絡流量　　129
6.3.2  減少輸入數(shù)據(jù)量　　129
6.3.3  使用壓縮　　129
6.3.4  重用JVM 　　132
6.3.5  根據(jù)猜測執(zhí)行來運行　　132
6.3.6  代碼重構(gòu)與算法重寫　　133
6.4  小結(jié)　　134
第7 章  細則手冊　　135
7.1  向任務傳遞作業(yè)定制的參數(shù)　　 135
7.2  探查任務特定信息　　137
7.3  劃分為多個輸出文件　　138
7.4  以數(shù)據(jù)庫作為輸入輸出　　143
7.5  保持輸出的順序　　145
7.6  小結(jié)　　 146
第8 章  管理Hadoop　　147
8.1  為實際應用設(shè)置特定參數(shù)值　　 147
8.2  系統(tǒng)體檢　　149
8.3  權(quán)限設(shè)置　　151
8.4  配額管理　　151
8.5  啟用回收站　　152
8.6  刪減DataNode 　　152
8.7  增加DataNode 　　153
8.8  管理NameNode 和SNN　　 153
8.9  恢復失效的NameNode 　　155
8.10  感知網(wǎng)絡布局和機架的設(shè)計　　156
8.11  多用戶作業(yè)的調(diào)度　　157
8.11.1  多個JobTracker 　　 158
8.11.2  公平調(diào)度器　　158
8.12  小結(jié)　　 160
第三部分  Hadoop也瘋狂
第9 章  在云上運行Hadoop 　　 162
9.1  Amazon Web Services 簡介　　162
9.2  安裝AWS　　163
9.2.1  獲得AWS身份認證憑據(jù)　　164
9.2.2  獲得命令行工具　　166
9.2.3  準備SSH密鑰對　　168
9.3  在EC2 上安裝Hadoop　　169
9.3.1  配置安全參數(shù)　　169
9.3.2  配置集群類型　　169
9.4  在EC2 上運行MapReduce 程序　　171
9.4.1  將代碼轉(zhuǎn)移到Hadoop集群上　　171
9.4.2  訪問Hadoop集群上的數(shù)據(jù)　　172
9.5  清空和關(guān)閉EC2 實例　　175
9.6  Amazon Elastic MapReduce 和其他AWS 服務　　176
9.6.1  Amazon Elastic MapReduce 　　176
9.6.2  AWS導入/導出　　177
9.7  小結(jié)　　177
第10 章  用Pig編程　　178
10.1  像Pig 一樣思考　　178
10.1.1  數(shù)據(jù)流語言　　179
10.1.2  數(shù)據(jù)類型　　179
10.1.3  用戶定義函數(shù)　　179
10.2  安裝Pig 　　179
10.3  運行Pig 　　180
10.4  通過Grunt 學習Pig Latin　　182
10.5  談談Pig Latin 　　186
10.5.1  數(shù)據(jù)類型和schema　　186
10.5.2  表達式和函數(shù)　　187
10.5.3  關(guān)系型運算符　　189
10.5.4  執(zhí)行優(yōu)化　　196
10.6  用戶定義函數(shù)　　196
10.6.1  使用UDF 　　196
10.6.2  編寫UDF 　　197
10.7  腳本　　199
10.7.1  注釋　　199
10.7.2  參數(shù)替換　　200
10.7.3  多查詢執(zhí)行　　201
10.8  Pig 實戰(zhàn)——計算相似專利的例子　　201
10.9  小結(jié)　　206
第11 章  Hive及Hadoop群　　207
11.1  Hive 　　207
11.1.1  安裝與配置Hive 　　208
11.1.2  查詢的示例　　210
11.1.3  深入HiveQL 　　213
11.1.4  Hive小結(jié)　　221
11.2  其他Hadoop 相關(guān)的部分　　221
11.2.1  HBase 　　221
11.2.2  ZooKeeper 　　221
11.2.3  Cascading 　　221
11.2.4  Cloudera 　　222
11.2.5  Katta 　　222
11.2.6  CloudBase 　　222
11.2.7  Aster Data和Greenplum 　　222
11.2.8  Hama和Mahout 　　223
11.2.9  search-hadoop.com 　　223
11.3  小結(jié)　　223
第12 章  案例研究　　224
12.1  轉(zhuǎn)換《紐約時報》1100 萬個庫存圖片文檔　　224
12.2  挖掘中國移動的數(shù)據(jù)　　225
12.3  在StumbleUpon 推薦最佳網(wǎng)站　　229
12.3.1  分布式StumbleUpon 的開端　　230
12.3.2  HBase 和StumbleUpon 　　230
12.3.3  StumbleUpon 上的更多Hadoop 應用　　236
12.4  搭建面向企業(yè)查詢的分析系統(tǒng)——IBM的ES2 項目　　238
12.4.1  ES2 系統(tǒng)結(jié)構(gòu)　　240
12.4.2  ES2 爬蟲　　241
12.4.3  ES2 分析　　242
12.4.4  小結(jié)　　249
12.4.5  參考文獻　　250
附錄A  HDFS文件命令　　251