内容简介

　　大数据贵在落实！本书是一本讲解大数据实战的图书，按照“深入分析组件原理、充分展示搭建过程、详细指导应用开发”编写。全书分为三篇，第一篇为大数据的基本概念和技术，主要介绍大数据的背景、发展及关键技术；第二篇为Hadoop大数据平台搭建与基本应用，内容涉及Linux、HDFS、MapReduce、YARN、Hive、HBase、Sqoop、Kafk、Spark等；第三篇为大数据处理与项目开发，包括交互式数据处理、协同过滤推荐系统、销售数据分析系统，并就的部分销售数据应用大数据进行处理分析。

作者简介

黄东军，男，教授，博士，博士生导师。毕业于中南大学计算机应用技术，先工作于中南大学信息科学与工程学院。中国计算机学会高级会员，教育部计算机科学与技术专业教学指导委员会"物联网工程专业教学研究专家组”成员。

目录

目 录
第一篇 大数据的基本概念和技术
第1章 绪论 3
1．1 时代背景 3
1．1．1 全球大数据浪潮 3
1．1．2 我国的大数据国家战略 5
1．2 大数据的概念 7
1．2．1 概念 7
1．2．2 特征 8
1．3 技术支撑体系 9
1．3．1 概览 9
1．3．2 大数据采集层 9
1．3．3 大数据存储层 10
1．3．4 大数据分析（处理与服务）层 11
1．3．5 大数据应用层 11
1．3．6 垂直视图 13
1．4 大数据人才及其能力要求 14
1．4．1 首席数据官 14
1．4．2 数据科学家（数据分析师） 15
1．4．3 大数据开发工程师 16
1．4．4 大数据运维工程师 17
1．5 本章小结 17
第2章 Hadoop大数据关键技术 19
2．1 Hadoop生态系统 19
2．1．1 架构的基本理论 19
2．1．2 主要组件及其关系 21
2．2 数据采集 24
2．2．1 结构化数据采集工具 24
2．2．2 日志文件采集工具与技术 25
2．3 大数据存储技术 29
2．3．1 相关概念 29
2．3．2 分布式文件存储系统 34
2．3．3 数据库与数据仓库 38
2．4 分布式计算框架 43
2．4．1 离线计算框架 43
2．4．2 实时流计算平台 50
2．5 数据分析平台与工具 57
2．5．1 面向大数据的数据挖掘与分析工具 57
2．5．2 机器学习 61
2．6 本章小结 66
第二篇 Hadoop大数据平台搭建与基本应用
第3章 Linux操作系统与集群搭建 69
3．1 Linux操作系统 69
3．1．1 概述 69
3．1．2 特点 70
3．1．3 Linux的组成 72
3．2 Linux安装与集群搭建 75
3．2．1 安装VMware Workstation 75
3．2．2 在VMware上安装Linux（CentOS7） 79
3．3 集群的配置 91
3．3．1 设置主机名 91
3．3．2 网络设置 93
3．3．3 关闭防火墙 98
3．3．4 安装JDK 99
3．3．5 免密钥登录配置 102
3．4 Linux基本命令 105
3．5 本章小结 112
第4章 HDFS安装与基本应用 113
4．1 HDFS概述 113
4．1．1 特点 113
4．1．2 主要组件与架构 114
4．2 HDFS架构分析 114
4．2．1 数据块 114
4．2．2 NameNode 115
4．2．3 DataNode 116
4．2．4 SecondaryNameNode 117
4．2．5 数据备份 117
4．2．6 通信协议 118
4．2．7 可靠性保证 118
4．3 文件操作过程分析 119
4．3．1 读文件 119
4．3．2 写文件 120
4．3．3 删除文件 122
4．4 Hadoop HDFS安装与配置 122
4．4．1 解压Hadoop安装包 122
4．4．2 配置Hadoop环境变量 123
4．4．3 配置Yarn环境变量 124
4．4．4 配置核心组件文件 125
4．4．5 配置文件系统 125
4．4．6 配置yarn-site．xml文件 126
4．4．7 配置MapReduce计算框架文件 128
4．4．8 配置Master的slaves文件 129
4．4．9 复制Master上的Hadoop到Slave节点 129
4．5 Hadoop集群的启动 130
4．5．1 配置操作系统环境变量 130
4．5．2 创建Hadoop数据目录 131
4．5．3 格式化文件系统 132
4．5．4 启动和关闭Hadoop 133
4．5．5 验证Hadoop是否启动成功 133
4．6 Hadoop集群的基本应用 136
4．6．1 HDFS基本命令 136
4．6．2 在Hadoop集群中运行程序 139
4．7 本章小结 141
第5章 MapReduce与Yarn 143
5．1 MapReduce程序的概念 143
5．1．1 基本编程模型 143
5．1．2 计算过程分析 144
5．2 深入理解Yarn 147
5．2．1 Yarn的基本架构 147
5．2．2 Yarn的工作流程 151
5．3 在Linux平台安装Eclipse 152
5．3．1 Eclipse简介 153
5．3．2 安装并启动Eclipse 154
5．4 开发MapReduce程序的基本方法 155
5．4．1 为Eclipse安装Hadoop插件 156
5．4．2 WordCount：第一个MapReduce程序 160
5．5 本章小结 175
第6章 Hive和HBase的安装与应用 177
6．1 在CentOS7下安装MySQL 177
6．1．1 下载或复制MySQL安装包 177
6．1．2 执行安装命令 178
6．1．3 启动MySQL 179
6．1．4 登录MySQL 179
6．1．5 使用MySQL 181
6．1．6 问题与解决办法 182
6．2 Hive安装与应用 183
6．2．1 下载并解压Hive安装包 183
6．2．2 配置Hive 184
6．2．3 启动并验证Hive 187
6．2．4 Hive的基本应用 189
6．3 ZooKeeper集群安装 190
6．3．1 ZooKeeper简介 190
6．3．2 安装ZooKeeper 191
6．3．3 配置ZooKeeper 191
6．3．4 启动和测试 193
6．4 HBase的安装与应用 195
6．4．1 解压并安装HBase 195
6．4．2 配置HBase 196
6．4．3 启动并验证HBase 199
6．4．4 HBase的基本应用 200
6．4．5 应用HBase中常见问题及其解决办法 203
6．5 本章小结 204
第7章 Sqoop和Kafka的安装与应用 205
7．1 安装部署Sqoop 205
7．1．1 下载或复制Sqoop安装包 205
7．1．2 解压并安装Sqoop 206
7．1．3 配置Sqoop 206
7．1．4 启动并验证Sqoop 208
7．1．5 测试Sqoop与MySQL的连接 209
7．2 安装部署Kafka集群 211
7．2．1 下载或复制Kafka安装包 211
7．2．2 解压缩Kafka安装包 211
7．2．3 配置Kafka集群 211
7．2．4 Kafka的初步应用 213
7．3 本章小结 218
第8章 Spark集群安装与开发环境配置 219
8．1 深入理解Spark 219
8．1．1 Spark系统架构 219
8．1．2 关键概念 221
8．2 安装与配置Scala 224
8．2．1 下载Scala安装包 225
8．2．2 安装Scala 225
8．2．3 启动并应用Scala 226
8．3 Spark集群的安装与配置 226
8．3．1 安装模式 226
8．3．2 Spark的安装 227
8．3．3 启动并验证Spark 230
8．3．4 几点说明 234
8．4 开发环境安装与配置 236
8．4．1 IDEA简介 236
8．4．2 IDEA的安装 236
8．4．3 IDEA的配置 238
8．5 本章小结 243
第9章 Spark应用基础 245
9．1 Spark程序的运行模式 245
9．1．1 Spark on Yarn-cluster 245
9．1．2 Spark on Yarn-client 246
9．2 Spark应用设计 247
9．2．1 分布式估算圆周率 248
9．2．2 基于Spark MLlib的贷款风险预测 265
9．3 本章小结 285
第三篇 数据处理与项目开发术
第10章 交互式数据处理 289
10．1 数据预处理 289
10．1．1 查看数据 289
10．1．2 数据扩展 291
10．1．3 数据过滤 292
10．1．4 数据上传 293
10．2 创建数据仓库 294
10．2．1 创建Hive数据仓库的基本命令 294
10．2．2 创建Hive分区表 296
10．3 数据分析 299
10．3．1 基本统计 299
10．3．2 用户行为分析 301
10．3．3 实时数据 303
10．4 本章小结 304
第11章 协同过滤推荐系统 305
11．1 推荐算法概述 305
11．1．1 基于人口统计学的推荐 305
11．1．2 基于内容的推荐 306
11．1．3 协同过滤推荐 307
11．2 协同过滤推荐算法分析 308
11．2．1 基于用户的协同过滤推荐 308
11．2．2 基于物品的协同过滤推荐 310
11．3 Spark MLlib推荐算法应用 312
11．3．1 ALS算法原理 312
11．3．2 ALS的应用设计 315
11．4 本章小结 329
第12章 销售数据分析系统 331
12．1 数据采集 331
12．1．1 在Windows下安装JDK 331
12．1．2 在Windows下安装Eclipse 334
12．1．3 将WebCollector项目导入Eclipse 335
12．1．4 在Windows下安装MySQL 336
12．1．5 连接JDBC 339
12．1．6 运行爬虫程序 340
12．2 在HBase集群上准备数据 342
12．2．1 将数据导入到MySQL 342
12．2．2 将MySQL表中的数据导入到HBase表中 344
12．3 安装Phoenix中间件 347
12．3．1 Phoenix架构 347
12．3．2 解压安装Phoenix 348
12．3．3 Phoenix环境配置 349
12．3．4 使用Phoenix 350
12．4 基于Web的前端开发 353
12．4．1 将Web前端项目导入Eclipse 353
12．4．2 安装Tomcat 355
12．4．3 在Eclipse中配置Tomcat 355
12．4．4 在Web浏览器中查看执行结果 359
12．5 本章小结 361

前言/序言

前 言

本书内容

本书分为三篇，共有12章。

（1）第一篇 大数据的基本概念和技术

第1章 绪论，描述大数据的时代背景与国家大数据战略，探讨大数据的概念和特性，重点阐述大数据支撑体系，包括数据采集、存储、分布式计算和应用，并讨论大数据人才特点与能力要求。

第2章 Hadoop大数据关键技术，详细介绍大数据系统涉及的主流技术，主要包括数据采集与生成、数据分布式存储、分布式计算框架、数据分析与挖掘等方面的技术和工具。

（2）第二篇 Hadoop大数据平台搭建与基本应用

第3章 Linux操作系统与集群搭建，介绍Linux集群的安装、Java开发包JDK的安装，以及集群的配置方法。

第4章 HDFS安装与基本应用，介绍Hadoop HDFS的架构、工作原理，以及Hadoop安装、配置、启动和程序的运行。

第5章 MapReduce与YARN，介绍MapReduce的工作原理，描述MapReduceV2（也就是YARN）的架构和执行流程。本章重点介绍如何设计MapReduce程序，给出了在Eclipse中实现Java语言MapReduce程序的具体过程。

第6章 Hive和HBase的安装与应用，主要介绍Hive和HBase的安装配置和应用方法，同时也介绍MySQL和ZooKeeper的安装与应用。

第7章 Sqoop和Kafka，介绍Sqoop和Kafka组件的安装及其基本应用方法。

第8章 Spark集群安装与开发环境配置，介绍Spark架构及其工作原理，详细介绍Spark开发环境的安装与配置，包括热门的IntelliJ IDEA集成开发环境的安装与基本应用。

第9章 Spark应用基础，介绍Spark程序的运行模式和应用设计方法，通过编写计算圆周率Pi、基于随机森林模型的贷款风险预测Scala程序，展示了在集成开发环境IDEA中编写Spark程序的流程。

（3）第三篇 大数据处理与项目开发

第10章 交互式数据处理，介绍如何利用Hive进行大数据处理和分析。Hive是建立在Hadoop MapReduce基础上的数据仓库工具，用户借助SQL语句，可完成很多处理和分析，因此，对实际工作者有很大帮助。

第11章 协同过滤推荐系统，介绍推荐算法的基本概念和应用，展示基于Spark的机器学库MLlib实现的协同推荐应用。

第12章 销售数据分析系统，通过一个完整的销售数据分析系统设计，展示如何利用Hadoop的各种组件开发实际的大数据应用系统。本章运用到的组件包括HDFS、MySQL、Eclipse、Phoenix、HBase、WebCollector、Sevlet、Tomcat等，所展示的数据和应用均来自真实场景，对读者有较高参考价值。

本书特点

把原理、架构、运行流程分析与实际应用融合起来介绍，融合性阐述框架优于单纯的原理分析，因为原理最终要付诸应用。

本书高度重视实践能力的培养，对系统安装、配置和应用过程给出了十分详细的描述，所有实验都是基于实际完成的操作介绍的，并配有现场截图，为读者展示了真实、详尽、可重现的场景，十分方便读者自学和钻研。

与很多大数据技术书籍不同，本书突出了数据处理本身，深入介绍了如何运用技术进行实际的数据分析，所采用的数据样本来自生产一线，所展示的项目具有实用的参考价值，读者掌握这些技术之后，就可以开始进行项目开发了。

本书的读者群

本书十分适合初学者入门和进阶。

本书也可供那些已经学习过Hadoop组件技术，但希望全面、系统地理解并掌握实际应用的读者参考。

本书对从事大数据项目开发的专业人员也有参考价值，书中所描述的Hadoop组件应用中遇到的各种问题及其解决办法，十分实用。

本书特别适合自学，读者完全可以利用本书给出的资源和示例，一步一步地完成各项操作和应用，体验一种登堂入室的成就感。

致谢

感谢大数据时代，感谢开源社区，感谢Apache基金会，感谢Google，感谢所有关心和热爱大数据的人们！

作者在创作本书中借鉴了中科普开（北京）科技公司的部分培训资源，在此谨表示衷心的感谢。特别感谢中南大学郑瑾副教授，本书的部分内容使用了她编撰的书稿。由衷地感谢王建新教授、李建彬教授、张祖平教授，他们耐心地审阅了本书，提出了中肯的意见和建议。非常感谢电子工业出版社田宏峰编辑，他细心专业的工作方式，给作者留下深刻印象，并为本书的高质量印装提供了保障。

由于作者水平有限，本书的错误和疏漏在所难免，恳请广大读者提出宝贵意见和建议。联系邮箱：djhuang@csu.edu.cn。

作 者

2017年5月于长沙

拿到书都是变形的，差评

不错 大数据必备

总体来说感觉对于我这种小白来说还可以吧，

挺不错的。。

书很好，推荐。

学习下大数据，项目马上要用了，还得充实下！

不错

挺不错的。。

学习下大数据，项目马上要用了，还得充实下！