自己動(dòng)手做大數(shù)據(jù)系統(tǒng)

第1章　為什么要自己動(dòng)手做大數(shù)據(jù)系統(tǒng) 1
1．1　大數(shù)據(jù)時(shí)代 1
1．2　實(shí)戰(zhàn)大數(shù)據(jù)項(xiàng)目 2
1．3　大數(shù)據(jù)演練平臺(tái) 2
第2章　項(xiàng)目背景及準(zhǔn)備 4
2．1　項(xiàng)目背景 4
2．2　項(xiàng)目簡(jiǎn)介 4
2．3　項(xiàng)目架構(gòu) 4
2．4　操作系統(tǒng) 5
2．5　數(shù)據(jù)存儲(chǔ) 7
2．6　數(shù)據(jù)處理 8
2．7　開(kāi)發(fā)工具 9
2．8　調(diào)試工具 10
2．9　版本管理 10
第3章　大數(shù)據(jù)環(huán)境搭建和配置 11
3．1　各組件功能說(shuō)明 11
3．1．1　各種數(shù)據(jù)源的采集工具 12
3．1．2　企業(yè)大數(shù)據(jù)存儲(chǔ)工具 12
3．1．3　企業(yè)大數(shù)據(jù)系統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)工具 12
3．1．4　企業(yè)大數(shù)據(jù)系統(tǒng)的分析計(jì)算工具 13
3．1．5　企業(yè)大數(shù)據(jù)系統(tǒng)的數(shù)據(jù)庫(kù)工具 13
3．2　大數(shù)據(jù)系統(tǒng)各組件安裝部署配置 13
3．2．1　安裝的前期準(zhǔn)備工作 13
3．2．2　Hadoop基礎(chǔ)環(huán)境安裝及配置 15
3．2．3　Hive安裝及配置 21
3．2．4　Sqoop安裝及配置 24
3．2．5　Spark安裝及配置 30
3．2．6　Zookeeper安裝及配置 31
3．2．7　HBase安裝及配置 33
3．3　自動(dòng)化安裝及部署說(shuō)明 35
3．3．1　自動(dòng)化安裝及部署整體架構(gòu)設(shè)計(jì) 35
3．3．2　大數(shù)據(jù)系統(tǒng)自動(dòng)化部署邏輯調(diào)用關(guān)系 36
3．4　本章小結(jié) 43
第4章　大數(shù)據(jù)的獲取 44
4．1　使用爬蟲(chóng)獲取互聯(lián)網(wǎng)數(shù)據(jù) 45
4．2　Python和Scrapy 框架的安裝 45
4．3　抓取和解析招聘職位信息 47
4．4　職位信息的落地 51
4．5　兩個(gè)爬蟲(chóng)配合工作 53
4．6　讓爬蟲(chóng)的架構(gòu)設(shè)計(jì)更加合理 55
4．7　獲取數(shù)據(jù)的其他方式 57
4．8　使用Sqoop同步論壇中帖子數(shù)據(jù) 57
4．9　本章小結(jié) 59
第5章　大數(shù)據(jù)的處理 60
5．1　Hive是什么 60
5．2　為什么使用Hive做數(shù)據(jù)倉(cāng)庫(kù)建模 60
5．3　飛谷項(xiàng)目中Hive建模步驟 61
5．3．1　邏輯模型的創(chuàng)建 62
5．3．2　物理模型的創(chuàng)建 67
5．3．3　將爬蟲(chóng)數(shù)據(jù)導(dǎo)入stg_job表 74
5．4　使用Hive進(jìn)行數(shù)據(jù)清洗轉(zhuǎn)換 77
5．5　數(shù)據(jù)清洗轉(zhuǎn)換的必要性 78
5．6　使用HiveQL清洗數(shù)據(jù)、提取維度信息 79
5．6．1  使用HQL清洗數(shù)據(jù) 79
5．6．2  提取維度信息 82
5．7　定義Hive UDF封裝處理邏輯 85
5．7．1　Hive UDF的開(kāi)發(fā)、部署和調(diào)用 86
5．7．2　Python版本的UDF 89
5．8　使用左外連接構(gòu)造聚合表rpt_job 92
5．9　讓數(shù)據(jù)處理自動(dòng)調(diào)度 96
5．9．1　HQL的幾種執(zhí)行方式 96
5．9．2　Hive Thrift服務(wù) 99
5．9．3　使用JDBC連接Hive 100
5．9．4　Python調(diào)用HiveServer服務(wù) 103
5．9．5　用crontab實(shí)現(xiàn)的任務(wù)調(diào)度 105
5．10　本章小結(jié) 107
第6章　大數(shù)據(jù)的存儲(chǔ) 108
6．1　NoSQL及HBase簡(jiǎn)介 108
6．2　HBase中的主要概念 110
6．3　HBase客戶端及JavaAPI 111
6．4　Hive數(shù)據(jù)導(dǎo)入HBase的兩種方案 114
6．4．1　利用既有的JAR包實(shí)現(xiàn)整合 114
6．4．2　手動(dòng)編寫(xiě)MapReduce程序 116
6．5　使用Java API查詢HBase中的職位信息 122
6．5．1　為什么是HBase而非Hive 122
6．5．2　多條件組合查詢HBase中的職位信息 123
6．6　如何顯示職位表中的某條具體信息 132
6．7　本章小結(jié) 133
第7章　大數(shù)據(jù)的展示 134
7．1　概述 134
7．2　數(shù)據(jù)分析的一般步驟 135
7．3　用R來(lái)做數(shù)據(jù)分析展示 135
7．3．1　在Ubuntu上安裝R 135
7．3．2　R的基本使用方式 137
7．4　用Hive充當(dāng)R的數(shù)據(jù)來(lái)源 139
7．4．1　RHive組件 139
7．4．2　把R圖表整合到Web頁(yè)面中 145
7．5　本章小結(jié) 151
第8章　大數(shù)據(jù)的分析挖掘 152
8．1　基于Spark的數(shù)據(jù)挖掘技術(shù) 152
8．2　Spark和Hadoop的關(guān)系 153
8．3　在Ubuntu上安裝Spark集群 154
8．3．1　JDK和Hadoop的安裝 154
8．3．2　安裝Scala 154
8．3．3　安裝Spark 155
8．4　Spark的運(yùn)行方式 157
8．5　使用Spark替代Hadoop Yarn引擎 160
8．5．1　使用spark-sql查看Hive表 160
8．5．2　在beeline客戶端使用Spark引擎 161
8．5．3　在Java代碼中引用Spark的ThriftServer 163
8．6　對(duì)招聘公司名稱(chēng)做全文檢索 168
8．6．1　從HDFS數(shù)據(jù)源構(gòu)造JavaRDD 169
8．6．2　使用Spark SQL操作RDD 173
8．6．3　把RDD運(yùn)行結(jié)果展現(xiàn)在前端 174
8．7　如何把Spark用得更好 175
8．8　SparkR組件的使用 177
8．8．1　SparkR的安裝及啟動(dòng) 177
8．8．2　運(yùn)行自帶的Sample例子 179
8．8．3　利用SparkR生成職位統(tǒng)計(jì)餅圖 179
8．9　本章小結(jié) 181
第9章　自己動(dòng)手搭建支撐大數(shù)據(jù)系統(tǒng)的云平臺(tái) 182
9．1　云平臺(tái)架構(gòu) 182
9．1．1　一期云基礎(chǔ)平臺(tái)架構(gòu) 182
9．1．2　二期云基礎(chǔ)平臺(tái)架構(gòu) 184
9．2　云平臺(tái)搭建及部署 185
9．2．1　安裝組件前準(zhǔn)備 185
9．2．2　Identity（Keystone）組件 190
9．2．3　Image（Glance）組件 198
9．2．4　Compute（Nova）組件 201
9．2．5　Storage（Cinder）組件 206
9．2．6　Networking（Neutron）組件 210
9．2．7　Ceph分布式存儲(chǔ)系統(tǒng) 221
9．2．8　Dashboard（Horizon）組件 230
9．3　Identity（Keystone）與LDAP的整合 232
9．4　配置Image組件大鏡像部署 235
9．5　配置業(yè)務(wù)系統(tǒng)無(wú)縫遷移 236
9．6　本章小結(jié) 237
參考文獻(xiàn) 238