具体描述
编辑推荐
适读人群 ：本书适合所有的对广告分析、大数据、高可用分布式系统感兴趣的所有爱好者资深大数据工程师，立足于企业真实场景，系统梳理和详尽讲解全栈大数据核心技术;
为企业大数据技术选型和大数据平台构建提供成熟的解决方案，包含大量实用案例
内容简介
这是一本立足于企业真实的商用项目来讲解如何高效从事大数据实践的著作。技术层面，从全栈的角度系统梳理和详尽讲解了大数据的核心技术，包括Spark、Druid、Flume、Kafka等，让我们在纷繁复杂的技术中少走弯路；经验层面，为企业的大数据技术选型和大数据平台建设提供了成熟的解决方案；实操层面，提供了大量的案例，其中包括2个综合性的案例。
全书一共分为三个部分：
第一部分（第1章）：主要介绍了企业大数据系统的前期准备工作，包括构建企业大数据处理系统需要的软件环境和集群环境是如何搭建的。
第二部分（第2~7章）：依次重点讲解了Spark的基本原理、使用方法和优化方式；Druid的基本原理、集群的搭建过程，以及相关的各种操作；日志收集系统Flume的基本架构、关键组件，以及分层日志收集架构的设计与实践；分布式消息队列Kafka的基本架构和集群搭建过程，以及使用Java语言实现客户端API的详细过程。
第三部分（第8~9章）：详细讲解了企业大数据处理的两个实际应用案例，分别是基于Druid构建多维数据分析平台和基于JMX指标的监控系统。
作者简介
肖冠宇
资深大数据研发工程师，有多年的大数据工作经验，对高性能分布式系统架构、大数据技术、数据分析等有深入的研究。
曾就职于人民网人民在线和乐视网智能中心大数据部，主要从事大数据系统研发和广告数据分析；现就职于小米旗下的田米科技，担任大数据研发工程师。
精彩书评
大数据时代，传统的关系型数据库已经越来越无法满足企业存储和处理海量数据的需求。感谢Google和开源界给我们带来了Hadoop生态系统，赋予了我们应对海量数据的能力。然后，由于整个Hadoop生态系统技术和产品极为丰富，而且在不断发展，技术选型对很多企业来说是个难题，本书尝试在这方面给大家一些建议和成功的解决方案。相信通过作者对于大数据技术的梳理与总结，定能让读者少走弯路，更快更好地掌握大数据的相关技术。
——姜承尧 腾讯金融支付数据库研发与运营组负责人
作者系统整理了多年的工程实践经验，详细介绍了一个典型大数据平台的架构，可以帮助从事大数据平台开发和运维工作的读者快速掌握所需的技能，因此我非常乐意向大家推荐本书。
——谢磊 小象学院创始人
本书采用理论与实践相结合的方式，由浅入深地介绍了大数据相关技术，隆重向喜爱大数据或者已经从事大数据工作的同学推荐。
——胡春辉 田米科技CTO
冠宇是大数据领域的一名积极探索者，面对工作中层出不穷的问题，敢于用创新的方案去解决。本书从数据收集开始，讲解了一整套端到端的企业大数据平台建设方案和经验。计划构建和启用大数据平台或者需要改进数据处理能力的工程师，能通过此书受益。
——罗宏宇 乐视智能中心大数据部技术总监
本书从实战角度出发，系统地梳理和深入地讲解了目前业界常用的大数据技术，并且将工作中的经验融合到本书中，非常适合于想转型学习大数据技术的初学者，或者对大数据有深入的理论基础却欠缺实践经验的工程师，同时也适合大数据架构师作为构建整体解决方案的参考书。
——程超 合众支付资深技术专家
本书中涉及的内容深入浅出，值得初学者拿来分析和尝试。“纸上得来终觉浅，绝知此事要躬行”，希望这本书能给所有读者带来美好的收获。也希望老友冠宇分享更多的学习和工程经验！
——刘宇 唯品会自然语言高级算法工程师
目录
前 言第一部分 准备工作
第1章 基础环境准备 2
1.1 软件环境准备 2
1.2 集群环境准备 4
1.2.1 Zookeeper集群部署 4
1.2.2 Hadoop部署 6
1.3 小结 15
第二部分 核心技术
第2章 Spark详解 18
2.1 Spark概述 18
2.1.1 Spark概述 18
2.1.2 Shuff?le详解 25
2.2 Spark SQL 29
2.2.1 SparkSession 29
2.2.2 DataFrame 30
2.2.3 DataSet 35
2.3 Structured Streaming 35
2.3.1 数据源 36
2.3.2 输出到外部存储 38
2.3.3 WordCount示例 40
2.4 Spark优化 42
2.4.1 数据优化 42
2.4.2 代码优化 44
2.4.3 参数优化 46
2.5 小结 48
第3章 Druid原理及部署 49
3.1 架构设计 49
3.1.1 节点类型 49
3.1.2 Segment介绍 57
3.1.3 容错处理 59
3.1.4 路由节点 60
3.2 集群部署 63
3.2.1 集群规划 63
3.2.2 配置安装 64
3.3 小结 72
第4章 Druid数据摄入 73
4.1 模式设计 73
4.1.1 设计概述 73
4.1.2 数据解析 75
4.1.3 Segment分区 79
4.1.4 模式更改 81
4.2 批量数据摄入 81
4.3 流数据摄入 87
4.3.1 Tranquility 88
4.3.2 StreamPush 91
4.3.3 从Kafka中摄取数据 92
4.4 数据更新 94
4.5 小结 95
第5章 Druid客户端 96
5.1 涉及组件 96
5.1.1 查询相关 96
5.1.2 过滤器 99
5.1.3 聚合粒度 101
5.1.4 聚合器 105
5.2 查询类型 109
5.2.1 时间序列查询 109
5.2.2 TopN查询 111
5.2.3 分组查询 113
5.2.4 元数据查询 117
5.2.5 搜索查询 121
5.3 查询API 125
5.3.1 RESTful介绍 125
5.3.2 Jersey客户端 126
5.4 小结 129
第6章 日志收集 130
6.1 Flume介绍 130
6.1.1 基本架构 131
6.2 Flume应用实践 144
6.2.1 拦截器、选择器实践 144
6.2.2 负载均衡、故障转移实践 149
6.2.3 设计与实践 150
6.3 小结 154
第7章 分布式消息队列 155
7.1 Kafka介绍 155
7.1.1 基本架构 155
7.1.2 高吞吐的实现 157
7.1.3 高可用的实现 160
7.2 安装部署 161
7.2.1 Broker配置参数 161
7.2.2 分布式部署 162
7.3 客户端API 163
7.3.1 Producer API 164
7.3.2 Consumer API 165
7.4 小结 169
第三部分 项目实践
第8章 数据平台 172
8.1 需求分析 172
8.2 功能实现 173
8.2.1 架构设计 173
8.2.2 关键功能实现 175
8.3 小结 184
第9章 监控系统 185
9.1 Inf?luxDB 185
9.1.1 Inf?luxDB简介 186
9.1.2 Inf?luxDB安装 186
9.1.3 Inf?luxDB操作 188
9.1.4 Inf?luxDB客户端 191
9.2 JMXTrans 192
9.2.1 JMXTrans介绍 192
9.2.2 JMXTrans安装 194
9.2.3 JMXTrans使用 195
9.3 Grafana 198
9.3.1 Grafana安装 198
9.3.2 Grafana使用 199
9.4 小结 208
前言/序言
我写本书的初衷是将自己在企业工作中应用的技术归纳总结，系统地将大数据处理相关技术融合在一起，给已经从事大数据相关技术研发工作的朋友，或是准备从其他行业转行进入大数据领域学习相关技术的朋友提供一份参考资料。希望本书能够帮助更多从事大数据相关工作的人，也希望通过本书结识更多热爱大数据的朋友。目前，大数据已不只停留在概念阶段，而是在各领域成功落地，并取得了丰硕的成果。大数据已经渗透到生活中的各个方面，距离我们最近且与我们生活息息相关的大数据项目有交通大数据、医疗大数据、金融大数据、社交媒体大数据、互联网大数据等。如此多的大数据项目能够成功落地，关键原因在于数据来源的多样化，数据量的爆发式增长，新兴技术的快速发展，以及市场创新需求的不断增多，这为各种大数据项目提供了庞大的数据源，通过多种技术的综合应用，可不断挖掘出大数据背后的社会价值和商业价值。
随着开源社区的不断发展，越来越多的优秀项目被开源，以处理各种大数据场景下的问题和挑战。作为目前大数据生态系统内的早期开源项目，Hadoop在廉价机器上实现了分布式数据存储和高性能分布式计算，大大降低了数据存储和计算成本。Hadoop提供的分布式存储系统HDFS、大数据集并行计算编程模型MapReduce、资源调度框架YARN已经被广泛应用，为大数据生态系统的发展奠定了坚实的基础。如今，Hadoop大数据生态圈发展已经非常全面，涉及领域众多，在大数据处理系统中常用的技术框架包括数据采集、数据存储、数据分析、数据挖掘、批处理、实时流计算、数据可视化、监控预警、信息安全等。下图展示了大数据生态系统内比较流行并且已经在生产环境验证过的开源技术。
（1）SparkSpark是由加州大学伯克利分校AMP实验室开源的分布式大规模数据处理通用引擎，具有高吞吐、低延时、通用易扩展、高容错等特点。Spark内部提供了丰富的开发库，集成了数据分析引擎Spark SQL、图计算框架GraphX、机器学习库MLlib、流计算引擎Spark Streaming。Spark在函数式编程语言Scala中实现，提供了丰富的开发API，支持Scala、Java、Python、R等多种开发语言。同时，它提供了多种运行模式，既可以采用独立部署的方式运行，也可以依托Hadoop YARN、Apache Mesos等资源管理器调度任务运行。目前，Spark已经在金融、交通、医疗、气象等多种领域中广泛使用。
大数据生态系统中的开源技术（2）DruidDruid是由美国MetaMarkets公司创建并开源的分布式提供海量时序数据存储、支持实时多维数据分析的OLAP系统，主要应用于广告数据分析、网络系统监控等场景。Druid具有高吞吐、易扩展、高容错、低延迟、按时间序列存储等特点。
（3）FlumeFlume是由Cloudera公司开发的分布式、高可用的日志收集系统，是Hadoop生态圈内的关键组件之一，目前已开源给Apache。Flume的原始版本为Flume-OG，经过对整体架构的重新设计，现已改名为Flume-NG。Flume发展到现在已经不局限于日志收集，还可以通过简单的配置收集不同数据源的海量数据并将数据准确高效地传输到不同的中心存储。目前Flume可对接的主流大数据框架有Hadoop、Kafka、ElasticSearch、Hive、HBase等。在使用Flume的过程中，通过配置文件就可以实现整个数据收集过程的负载均衡和故障转移，而不需要修改Flume的任何代码。得益于优秀的框架设计，Flume通过可扩展、插件化、组合式、高可用、高容错的设计模式，为用户提供了简单、高效、准确的轻量化大数据采集工具。
（4）KafkaKafka是由LinkedIn开源的分布式消息队列，能够轻松实现高吞吐、可扩展、高可用，并且部署简单快速、开发接口丰富。目前，各大互联网公司已经在生产环境中广泛使用，而且已经有很多分布式处理系统支持使用Kafka，比如Spark、Strom、Druid、Flume等。
（5）InfluxDBInfluxDB是一款开源分布式时序数据库，非常适合存储监控系统收集的指标数据。时序数据库顾名思义就是按照时间顺序存储指标数据，即监控系统的场景大部分是按照时间顺序存储各项指标数据，过期时间太长的指标可能将不会再关注，所以为了提高数据库的存储率，提高查询性能，需要定期删除过期指标。InfluxDB的诸多特性非常适合监控系统的使用场景。
本书将详细介绍上述技术的原理，通过实践演示每种技术的实际应用场景。希望通过理论与实践相结合的方式使内容更通俗易懂，帮助读者根据实际的业务场景选择合适的技术方案，相信大数据在未来的发展中还会创造更多的价值。
内容概述本书分三部分展开介绍：
第一部分（第1章）主要介绍了企业大数据系统的前期准备工作，包括如何构建企业大数据处理系统的软件环境和集群环境。
第二部分（第2～7章）首先介绍了Spark的基本原理，Spark 2.0版本的Spark SQL、Structured Streaming原理和使用方法，以及Spark的多种优化方式；然后，介绍了Druid的基本原理、集群的搭建过程、数据摄入过程，以及在查询过程中如何实现Druid查询API；接着介绍了日志收集系统Flume的基本架构和关键组件，以及分层日志收集架构的设计与实践。
……
用户评价
坦白说，我之前尝试过一些关于大数据处理的书籍，但往往在理论和实践之间存在较大的鸿沟。很多书充斥着抽象的概念和伪代码，真正拿到生产环境中去落地时，却遇到了各种各样的问题。这本书的出现，让我看到了希望。它选择了Spark、Druid、Flume和Kafka这几款在业界得到广泛验证的技术，这意味着书中介绍的内容具有很强的实用性和前瞻性。我特别期待书中能够详细讲解如何构建一个健壮的数据采集和传输管道。Flume在日志收集方面的灵活性，以及Kafka在数据缓冲和分发方面的强大能力，都是构建稳定大数据系统的关键。同时，对于Druid，我希望书中能深入剖析其数据模型设计和查询优化技巧，以便在面对PB级别数据时，依然能够提供令人满意的查询响应速度。Spark的强大无需多言，但如何将其与Druid等其他组件高效集成，以及如何针对不同的业务场景优化Spark作业，这些都是我迫切想从书中获得的知识。这本书如果能包含真实的生产案例，以及在部署、运维和性能调优方面的详细指导，那么它将成为我案头的必备参考书。
评分一直以来，我都对如何高效地处理和分析大规模数据集感到困扰。市面上的大数据书籍琳琅满目，但真正能系统性地讲解如何将Spark、Druid、Flume、Kafka等核心技术融会贯通的书却不多见。这本书的出现，恰好填补了这一空白。它所涵盖的技术栈，正是当前大数据领域中最具代表性和实用性的选择。我期待书中能够从零开始，详细讲解如何搭建和配置一个完整的大数据处理系统。例如，如何使用Flume采集多源异构的数据，如何利用Kafka实现高吞吐量、低延迟的数据传输，以及如何将数据高效地加载到Druid进行实时分析。Spark的部分，我希望书中能深入探讨其在批处理和流处理上的应用，以及如何利用Spark SQL和DataFrame API进行复杂的数据转换和聚合。更重要的是，我希望书中能够提供一些关于系统架构设计、性能优化和故障排查的宝贵经验。尤其是在实际项目中，往往会遇到各种意想不到的问题，如果书中能够分享一些解决这些问题的案例和方法，那将是对我最大的帮助。我相信，通过学习这本书，我能够全面提升自己在企业大数据处理方面的实战能力。
评分拿到这本书，我首先被它朴实但富有力量的书名所吸引。没有华丽的辞藻，只有实在的技术栈组合，这让我感到非常亲切。我是一名在大数据领域摸爬滚打多年的工程师，深知在实际工作中，选择合适的技术并将其高效地应用起来是多么重要。Spark作为大数据处理的“瑞士军刀”，其迭代和流式处理能力一直是我关注的焦点。而Druid，作为一款专为快速查询和分析设计的OLAP数据库，在实时数据洞察方面有着不可替代的优势。Flume和Kafka，更是构建可靠数据管道的基石。我非常好奇书中是如何将这些技术串联起来，形成一套完整的解决方案的。我特别想了解书中关于数据采集的策略，如何从不同的数据源高效、稳定地采集数据，以及如何利用Kafka来处理数据的峰值和削峰。在Druid的部分，我期待看到如何进行高效的数据建模和索引设计，以便在海量数据中实现秒级查询。而Spark的部分，我希望书中能深入探讨Spark Streaming和Structured Streaming的实践，以及如何利用Spark SQL进行复杂的数据分析。这本书的价值在于它能够提供一套可落地、可复用的技术框架，帮助我们解决实际问题，而不是停留在理论层面。
评分我是一个数据分析师，长期以来，我一直受到数据处理效率和实时分析能力的限制。很多时候，当我需要分析的数据量达到GB甚至TB级别时，传统的工具就显得捉襟见肘。这本书选择的Spark、Druid、Flume和Kafka组合，正是目前解决这些挑战的“黄金搭档”。Spark强大的批处理和流处理能力，可以帮助我快速地清洗、转换和分析海量数据。Druid的实时OLAP特性，能够让我以前所未有的速度进行多维度的数据探索和可视化。Flume和Kafka则为数据的顺畅流动提供了保障。我尤其感兴趣的是，书中会如何指导我构建一个端到端的数据流。例如，如何利用Flume采集业务日志，如何通过Kafka将数据可靠地传输到Druid，以及如何利用Spark进行更深层次的数据挖掘和建模。我希望书中不仅仅停留在API的介绍，更能深入到实际应用的架构设计和最佳实践。比如，如何设计合理的Druid数据Schema以优化查询性能，如何利用Spark的DataFrame和Dataset进行高效的数据处理，以及如何应对Kafka在高峰期可能出现的流量压力。这本书的价值在于它能帮助我跨越技术鸿沟，将数据分析的潜力最大化。
评分哇，这本书的内容简直是为我量身定做的！我一直对大数据处理领域充满好奇，但又苦于无从下手。市面上相关的书籍不少，但要么过于理论化，要么技术栈更新太快，导致学习曲线陡峭。这本书的出现，就像一盏指路明灯，让我看到了清晰的学习路径。尤其是它选择的Spark、Druid、Flume和Kafka这几款主流技术，可以说是目前大数据生态中最核心、最常用的组合了。我特别期待书中能够详细讲解如何将这几款技术有机地结合起来，构建一个完整、高效、可扩展的大数据处理平台。例如，Flume在数据采集端的作用，Kafka作为消息队列的缓冲和解耦能力，Druid在实时OLAP分析方面的优势，以及Spark在批处理和流处理上的强大功能，这些都能在我日常工作中解决很多痛点。我希望书中能有大量的实战案例，从部署、配置到具体的应用场景，一步步引导读者完成。比如，如何设计一个实时数据看板，如何处理海量的日志数据，如何在低延迟的情况下进行数据分析等等。如果能涉及到一些性能优化和故障排除的技巧，那就更完美了。这本书的实用性是我最看重的，我相信通过学习，我能真正掌握大数据处理的核心技能，为我的工作带来质的飞跃。
评分很满意的一次购物
评分每年再jd购书几千块，方便，服务好
评分不错的书，希望能从中有所收获不错的书，希望能从中有所收获
评分?˙³˙??(?•? ? •??)??˙³˙?还可以
评分发货速度很快 ，内容很实用
评分正好用得上！
评分不错不错不错不错不错不错
评分没多少实际内容
评分物流快
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.coffeedeals.club All Rights Reserved. 静流书站 版权所有