作者简介  · · · · · · 董西成，资深大数据技术实践者和研究者，对大数据基础架构有非常深刻的认识和理解，有着丰富的实践经验。熟悉常见的开源大数据解决方案，包括Hadoop和spark生态系统等，擅长底层分布式系统的优化和开发。撰写了大量Hadoop和spark等大数据相关的技术文章并分享在自己的博客上，由于文章技术含量高，所以非常受欢迎。出版有大数据领域负有盛名的专著：《Hadoop技术内幕：深入解析MapReduce架构设计与实现原理》和《Hadoop技术内幕：深入解析YARN架构设计与实现原理》。 目录  · · · · · · 前　言 第一部分　概述篇 第1章　企业级大数据技术体系概述 2 1.1　大数据系统产生背景及应用场景 2 1.1.1　产生背景 2 1.1.2　常见大数据应用场景 3 1.2　企业级大数据技术框架 5 1.2.1　数据收集层 6 1.2.2　数据存储层 7 1.2.3　资源管理与服务协调层 7 1.2.4　计算引擎层 8 1.2.5　数据分析层 9 1.2.6　数据可视化层 9 1.3　企业级大数据技术实现方案 9 1.3.1　Google大数据技术栈 10 1.3.2　Hadoop与Spark开源大数据技术栈 12 1.4　大数据架构：Lambda Architecture 15 1.5　Hadoop与Spark版本选择及安装部署 16 1.5.1　Hadoop与Spark版本选择 16 1.5.2　Hadoop与Spark安装部署 17 1.6　小结 18 1.7　本章问题 18 第二部分　数据收集篇 第2章　关系型数据的收集 20 2.1　Sqoop概述 20 2.1.1　设计动机 20 2.1.2　Sqoop基本思想及特点 21 2.2　Sqoop基本架构 21 2.2.1　Sqoop1基本架构 22 2.2.2　Sqoop2基本架构 23 2.2.3　Sqoop1与Sqoop2对比 24 2.3　Sqoop使用方式 25 2.3.1　Sqoop1使用方式 25 2.3.2　Sqoop2使用方式 28 2.4　数据增量收集CDC 31 2.4.1　CDC动机与应用场景 31 2.4.2　CDC开源实现Canal 32 2.4.3　多机房数据同步系统Otter 33 2.5　小结 35 2.6　本章问题 35 第3章　非关系型数据的收集 36 3.1　概述 36 3.1.1　Flume设计动机 36 3.1.2　Flume基本思想及特点 37 3.2　Flume NG基本架构 38 3.2.1　Flume NG基本架构 38 3.2.2　Flume NG高级组件 41 3.3　Flume NG数据流拓扑构建方法 42 3.3.1　如何构建数据流拓扑 42 3.3.2　数据流拓扑实例剖析 46 3.4　小结 50 3.5　本章问题 50 第4章　分布式消息队列Kafka 51 4.1　概述 51 4.1.1　Kafka设计动机 51 4.1.2　Kafka特点 53 4.2　Kafka设计架构 53 4.2.1　Kafka基本架构 54 4.2.2　Kafka各组件详解 54 4.2.3　Kafka关键技术点 58 4.3　Kafka程序设计 60 4.3.1　Producer程序设计 61 4.3.2　Consumer程序设计 63 4.3.3　开源Producer与Consumer实现 65 4.4　Kafka典型应用场景 65 4.5　小结 67 4.6　本章问题 67 第三部分　数据存储篇 第5章　数据序列化与文件存储格式 70 5.1　数据序列化的意义 70 5.2　数据序列化方案 72 5.2.1　序列化框架Thrift 72 5.2.2　序列化框架Protobuf 74 5.2.3　序列化框架Avro 76 5.2.4　序列化框架对比 78 5.3　文件存储格式剖析 79 5.3.1　行存储与列存储 79 5.3.2　行式存储格式 80 5.3.3　列式存储格式ORC、Parquet与CarbonData 82 5.4　小结 88 5.5　本章问题 89 第6章　分布式文件系统 90 6.1　背景 90 6.2　文件级别和块级别的分布式文件系统 91 6.2.1　文件级别的分布式系统 91 6.2.2　块级别的分布式系统 92 6.3　HDFS基本架构 93 6.4　HDFS关键技术 94 6.4.1　容错性设计 95 6.4.2　副本放置策略 95 6.4.3　异构存储介质 96 6.4.4　集中式缓存管理 97 6.5　HDFS访问方式 98 6.5.1　HDFS shell 98 6.5.2　HDFS API 100 6.5.3　数据收集组件 101 6.5.4　计算引擎 102 6.6　小结 102 6.7　本章问题 103 第7章　分布式结构化存储系统 104 7.1　背景 104 7.2　HBase数据模型 105 7.2.1　逻辑数据模型 105 7.2.2　物理数据存储 107 7.3　HBase基本架构 108 7.3.1　HBase基本架构 108 7.3.2　HBase内部原理 110 7.4　HBase访问方式 114 7.4.1　HBase shell 114 7.4.2　HBase API 116 7.4.3　数据收集组件 118 7.4.4　计算引擎 119 7.4.5　Apache Phoenix 119 7.5　HBase应用案例 120 7.5.1　社交关系数据存储 120 7.5.2　时间序列数据库OpenTSDB 122 7.6　分布式列式存储系统Kudu 125 7.6.1　Kudu基本特点 125 7.6.2　Kudu数据模型与架构 126 7.6.3　HBase与Kudu对比 126 7.7　小结 127 7.8　本章问题 127 第四部分　分布式协调与资源管理篇 第8章　分布式协调服务ZooKeeper 130 8.1　分布式协调服务的存在意义 130 8.1.1　leader选举 130 8.1.2　负载均衡 131 8.2　ZooKeeper数据模型 132 8.3　ZooKeeper基本架构 133 8.4　ZooKeeper程序设计 134 8.4.1　ZooKeeper API 135 8.4.2　Apache Curator 139 8.5　ZooKeeper应用案例 142 8.5.1　leader选举 142 8.5.2　分布式队列 143 8.5.3　负载均衡 143 8.6　小结 144 8.7　本章问题 145 第9章　资源管理与调度系统YARN 146 9.1　YARN产生背景 146 9.1.1　MRv1局限性 146 9.1.2　YARN设计动机 147 9.2　YARN设计思想 148 9.3　YARN的基本架构与原理 149 9.3.1　YARN基本架构 149 9.3.2　YARN高可用 152 9.3.3　YARN工作流程 153 9.4　YARN资源调度器 155 9.4.1　层级队列管理机制 155 9.4.2　多租户资源调度器产生背景 156 9.4.3　Capacity/Fair Scheduler 157 9.4.4　基于节点标签的调度 160 9.4.5　资源抢占模型 163 9.5　YARN资源隔离 164 9.6　以YARN为核心的生态系统 165 9.7　资源管理系统Mesos 167 9.7.1　Mesos基本架构 167 9.7.2　Mesos资源分配策略 169 9.7.3　Mesos与YARN对比 170 9.8　资源管理系统架构演化 170 9.8.1　集中式架构 171 9.8.2　双层调度架构 171 9.8.3　共享状态架构 172 9.9　小结 173 9.10　本章问题 173 第五部分　大数据计算引擎篇 第10章　批处理引擎MapReduce 176 10.1　概述 176 10.1.1　MapReduce产生背景 176 10.1.2　MapReduce设计目标 177 10.2　MapReduce编程模型 178 10.2.1　编程思想 178 10.2.2　MapReduce编程组件 179 10.3　MapReduce程序设计 187 10.3.1　MapReduce程序设计基础 187 10.3.2　MapReduce程序设计进阶 194 10.3.3　Hadoop Streaming 198 10.4　MapReduce内部原理 204 10.4.1　MapReduce作业生命周期 204 10.4.2　MapTask与ReduceTask 206 10.4.3　MapReduce关键技术 209 10.5　MapReduce应用实例 211 10.6　小结 213 10.7　本章问题 213 第11章　DAG计算引擎Spark 215 11.1　概述 215 11.1.1　Spark产生背景 215 11.1.2　Spark主要特点 217 11.2　Spark编程模型 218 11.2.1　Spark核心概念 218 11.2.2　Spark程序基本框架 220 11.2.3　Spark编程接口 221 11.3　Spark运行模式 227 11.3.1　Standalone模式 229 11.3.2　YARN模式 230 11.3.3　Spark Shell 232 11.4　Spark程序设计实例 232 11.4.1　构建倒排索引 232 11.4.2　SQL GroupBy实现 234 11.4.3　应用程序提交 235 11.5　Spark内部原理 236 11.5.1　Spark作业生命周期 237 11.5.2　Spark Shuffle 241 11.6　DataFrame、Dataset与SQL 247 11.6.1　DataFrame/Dataset与SQL的关系 248 11.6.2　DataFrame/Dataset程序设计 249 11.6.3　DataFrame/Dataset程序实例 254 11.7　Spark生态系统 257 11.8　小结 257 11.9　本章问题 258 第12章　交互式计算引擎 261 12.1　概述 261 12.1.1　产生背景 261 12.1.2　交互式查询引擎分类 262 12.1.3　常见的开源实现 263 12.2　ROLAP 263 12.2.1　Impala 263 12.2.2　Presto 267 12.2.3　Impala与Presto对比 271 12.3　MOLAP 271 12.3.1　Druid简介 271 12.3.2　Kylin简介 272 12.3.3　Druid与Kylin对比 274 12.4　小结 274 12.5　本章问题 274 第13章　流式实时计算引擎 276 13.1　概述 276 13.1.1　产生背景 276 13.1.2　常见的开源实现 278 13.2　Storm基础与实战 278 13.2.1　Storm概念与架构 279 13.2.2　Storm程序设计实例 282 13.2.3　Storm内部原理 285 13.3　Spark Streaming基础与实战 290 13.3.1　概念与架构 290 13.3.2　程序设计基础 291 13.3.3　编程实例详解 298 13.3.4　容错性讨论 300 13.4　流式计算引擎对比 303 13.5　小结 304 13.6　本章问题 304 第六部分　数据分析篇 第14章　数据分析语言HQL与SQL 308 14.1　概述 308 14.1.1　背景 308 14.1.2　SQL On Hadoop 309 14.2　Hive架构 309 14.2.1　Hive基本架构 310 14.2.2　Hive查询引擎 311 14.3　Spark SQL架构 312 14.3.1　Spark SQL基本架构 312 14.3.2　Spark SQL与Hive对比 313 14.4　HQL 314 14.4.1　HQL基本语法 314 14.4.2　HQL应用实例 320 14.5　小结 322 14.6　本章问题 322 第15章　大数据统一编程模型 325 15.1　产生背景 325 15.2　Apache Beam基本构成 327 15.2.1　Beam SDK 327 15.2.2　Beam Runner 328 15.3　Apache Beam编程模型 329 15.3.1　构建Pipeline 330 15.3.2　创建PCollection 331 15.3.3　使用Transform 334 15.3.4　side input与side output 340 15.4　Apache Beam流式计算模型 341 15.4.1　window简述 342 15.4.2　watermark、trigger与accumulation 344 15.5　Apache Beam编程实例 346 15.5.1　WordCount 346 15.5.2　移动游戏用户行为分析 348 15.6　小结 350 15.7　本章问题 350 第16章　大数据机器学习库 351 16.1　机器学习库简介 351 16.2　MLLib 机器学习库 354 16.2.1　Pipeline 355 16.2.2　特征工程 357 16.2.3　机器学习算法 360 16.3　小结 361 16.4　本章问题 361