第1篇 大数据系统基础
第1章 大数据概述 3
1.1 数据的产生与发展 3
1.2 大数据的基础知识 4
1.3 大数据架构 5
第2章 系统的安装与使用 7
2.1 系统安装 7
2.1.1 安装CentOS 6.x 7
2.1.2 安装步骤 7
2.2 基本命令 18
2.2.1 cd命令 18
2.2.2 打包和解压指令 19
2.2.3 其他常用命令 21
2.3 权限与目录 26
2.3.1 权限 26
2.3.2 目录 27
2.4 文件操作 28
2.4.1 文件与目录管理 28
2.4.2 用户和用户组管理 39
2.5 习题与思考 46
第3章 任务命令 47
3.1 脚本配置 47
3.1.1 Shell脚本 47
3.1.2 Shell变量 47
3.1.3 Shell传递参数 48
3.1.4 Shell数组 50
3.1.5 Shell运算符 51
3.1.6 Shell echo命令 55
3.1.7 Shell printf命令 57
3.1.8 Shell test命令 58
3.1.9 Shell流程控制 60
3.2 网络配置 67
3.3 习题与思考 70
第4章 数据库操作 71
4.1 数据库简介 71
4.1.1 MySQL数据库简介 71
4.1.2 安装MySQL 72
4.2 数据库基本操作 72
4.2.1 MySQL的DDL操作 72
4.2.2 MySQL的DML操作 80
4.3 数据库用户操作 83
4.3.1 创建用户 83
4.3.2 给用户授权 83
4.3.3 撤销授权 84
4.3.4 查看用户权限 85
4.3.5 删除用户 85
4.3.6 修改用户密码 86
4.4 数据库查询操作 86
4.5 习题与思考 90
第2篇 Hadoop技术
第5章 Hadoop开发环境 95
5.1 Hadoop生态圈工具 95
5.2 环境搭建 97
5.2.1 步骤1——虚拟机安装 97
5.2.2 步骤2——安装JDK和Hadoop 97
5.2.3 步骤3——复制虚拟机 113
5.2.4 步骤4——设置免密 117
5.2.5 步骤5——安装Zookeeper 119
5.2.6 步骤6——启动Hadoop集群 122
5.2.7 正常启动顺序 125
5.3 常见问题汇总 127
5.4 习题与思考 128
第6章 HDFS技术 129
6.1 HDFS架构 129
6.2 HDFS命令 130
6.2.1 version命令 131
6.2.2 dfsadmin命令 131
6.2.3 jar命令 132
6.2.4 fs命令 132
6.3 API的使用 140
6.4 习题与思考 142
第7章 MapReduce技术 143
7.1 MapReduce工作原理 143
7.1.1 MapReduce作业运行流程 143
7.1.2 早期MapReduce架构存在的问题 144
7.2 YARN运行概述 144
7.2.1 YARN模块介绍 144
7.2.2 YARN工作流程 145
7.3 MapReduce编程模型 146
7.4 MapReduce数据流 148
7.4.1 输入文件 150
7.4.2 输入格式 150
7.4.3 数据片段 151
7.4.4 记录读取器 151
7.4.5 Mapper 151
7.4.6 Shuffle 152
7.4.7 排序 153
7.4.8 归约 153
7.4.9 输出格式 153
7.5 MapReduce API编程 154
7.5.1 词频统计 154
7.5.2 指定字段 156
7.5.3 求平均数 158
7.5.4 关联 160
7.6 习题与思考 163
第8章 Hive数据仓库 165
8.1 Hive模型 165
8.1.1 Hive架构与基本组成 165
8.1.2 Hive的数据模型 166
8.2 Hive的安装 167
8.2.1 Hive的基本安装 167
8.2.2 MySQL的安装 168
8.2.3 Hive配置 169
8.3 HQL详解 170
8.3.1 Hive数据管理方式 170
8.3.2 HQL操作 174
8.4 习题与思考 182
第9章 HBase分布式数据库 183
9.1 HBase工作原理 183
9.1.1 HBase表结构 183
9.1.2 体系结构 184
9.1.3 物理模型 186
9.1.4 HBase读写流程 187
9.2 HBase完全分布式 189
9.2.1 安装前的准备 189
9.2.2 配置文件 189
9.2.3 集群启动 191
9.3 HBase Shell 192
9.3.1 DDL操作 192
9.3.2 DML操作 194
9.4 习题与思考 197
第10章 Sqoop工具 198
10.1 Sqoop安装 199
10.2 Sqoop的使用 200
10.2.1 MySQL的导入导出 200
10.2.2 Oracle的导入导出 201
10.3 习题与思考 202
第11章 Flume日志收集 203
11.1 体系架构 204
11.1.1 Flume内部结构 204
11.1.2 Flume事件 204
11.2 Flume的特点 205
11.3 Flume集群搭建 206
11.4 Flume实例 207
11.4.1 实例1：实时测试客户端传输的数据 207
11.4.2 实例2：监控本地文件夹并写入到HDFS中 208
11.5 习题与思考 210
第3篇 Spark技术
第12章 Spark概述 213
12.1 Spark框架原理 213
12.2 Spark大数据处理 214
12.3 RDD数据集 215
12.4 Spark子系统 215
第13章 Scala语言 216
13.1 Scala语法基础 216
13.1.1 变量、常量与赋值 216
13.1.2 运算符与表达式 217
13.1.3 条件分支控制 217
13.1.4 循环流程控制 218
13.1.5 Scala数据类型 218
13.2 Scala运算与函数 219
13.3 Scala闭包 220
13.4 Scala数组与字符串 220
13.4.1 Scala数组 220
13.4.2 Scala字符串 221
13.5 Scala迭代器 221
13.6 Scala类和对象 222
13.7 习题与思考 223
第14章 Spark高可用环境 224
14.1 环境搭建 224
14.1.1 准备工作 224
14.1.2 下载并安装Spark 224
14.2 常见问题汇总 226
第15章 RDD技术 228
15.1 RDD的实现 228
15.1.1 数据源 228
15.1.2 调度器 228
15.2 RDD编程接口 229
15.3 RDD操作 229
15.3.1 Spark基于命令行的操作 229
15.3.2 Spark基于应用作业的操作 231
15.3.3 Spark操作的基础命令与开发工具介绍 231
15.3.4 Spark基于YARN的调度模式 231
15.3.5 Spark基于Scala语言的本地应用开发 234
15.3.6 Spark基于Scala语言的集群应用开发 235
15.3.7 Spark基于Java语言的应用开发 236
15.3.8 Spark基于Java语言的本地应用开发 237
15.3.9 Spark基于Java语言的集群应用开发 238
15.4 习题与思考 241
第16章 Spark SQL 242
16.1 Spark SQL架构原理 242
16.1.1 Hive的两种功能 242
16.1.2 Spark SQL的重要功能 242
16.1.3 Spark SQL的DataFrame特征 243
16.2 Spark SQL操作Hive 243
16.2.1 添加配置文件，便于Spark SQL访问Hive仓库 243
16.2.2 安装JDBC驱动 243
16.2.3 启动MySQL服务及其Hive的元数据服务 243
16.2.4 启动HDFS集群和Spark集群 244
16.2.5 启动Spark-Shell并测试 244
16.3 Spark SQL操作HDFS 244
16.3.1 操作代码 244
16.3.2 工程文件 246
16.3.3 创建测试数据 246
16.3.4 运行Job并提交到集群 247
16.3.5 查看运行结果 247
16.4 Spark SQL操作关系数据库 248
16.4.1 添加访问MySQL的驱动包 248
16.4.2 添加必要的开发环境 248
16.4.3 使用Spark SQL操作关系数据库 248
16.4.4 初始化MySQL数据库服务 250
16.4.5 准备Spark SQL源数据 251
16.4.6 运行Spark代码 252
16.4.7 创建dist文件夹 252
16.4.8 安装数据库驱动 252
16.4.9 基于集群操作 253
16.4.10 打包工程代码到dist目录下 256
16.4.11 启动集群并提交Job应用 256
16.4.12 检查关系数据库中是否已有数据 258
16.5 习题与思考 258
第17章 Spark Streaming 260
17.1 架构与原理 260
17.1.1 Spark Streaming中的离散流特征 260
17.1.2 Spark Streaming的应用场景 260
17.2 KafKa中间件 261
17.2.1 KafKa的特点 261
17.2.2 ZeroCopy技术 261
17.2.3 KafKa的通信原理 261
17.2.4 KafKa的内部存储结构 262
17.2.5 KafKa的下载 262
17.2.6 KafKa集群搭建 262
17.2.7 启动并使用KafKa集群 263
17.2.8 停止KafKa集群 264
17.2.9 KafKa集成Flume 264
17.3 Socket事件流操作 265
17.3.1 netcat网络Socket控制台工具 265
17.3.2 基于本地的Spark Streaming流式数据分析示例 266
17.3.3 基于集群的Spark Streaming流式数据分析示例 269
17.3.4 基于集群模式下的集群文件I/O流分析示例 272
17.4 KafKa事件流操作 275
17.4.1 基于Receiver模式的KafKa集成 275
17.4.2 基于Direct模式的KafKa集成 278
17.5 I/O文件事件流操作 280
17.5.1 基于路径扫描的Spark Streaming 281
17.5.2 打包至工程的dist目录 284
17.5.3 启动集群 284
第18章 Spark机器学习 289
18.1 机器学习原理 289
18.1.1 机器学习的概念 289
18.1.2 机器学习的分类 289
18.1.3 Spark机器学习的版本演变 290
18.1.4 DataFrame数据结构 290
18.1.5 DataSet数据结构 290
18.1.6 执行引擎的性能与效率 290
18.1.7 Spark 2.x的新特性 290
18.2 线性回归 291
18.2.1 线性回归分析过程 291
18.2.2 矩阵分析过程 291
18.2.3 基于本地模式的线性回归分析 291
18.2.4 基于集群模式的线性回归分析 294
18.3 聚类分析 300
18.3.1 K-Means聚类算法原理 300
18.3.2 聚类分析过程 300
18.3.3 基于本地模式的聚类算法分析 301
18.3.4 基于集群模式的聚类算法分析 305
18.4 协同过滤 312
18.4.1 个性化推荐算法 312
18.4.2 相关性推荐算法 312
18.4.3 基于本地的协同过滤算法分析 312
18.4.4 基于集群的协同过滤算法分析 317
第4篇 项目实战
第19章 基于电力能源的大数据实战 325
19.1 需求分析 325
19.2 项目设计 325
19.2.1 数据采集 325
19.2.2 数据处理 326
19.2.3 数据呈现 326
19.3 数据收集与处理 329
19.3.1 数据收集 329
19.3.2 数据处理 329
19.4 大数据呈现 341
19.4.1 数据传输 341
19.4.2 数据呈现 342
19.5 项目总结 343
