大数据处理之道

适读人群 ：本书适合大数据开发、大数据测试人员，以及其他软件开发或者管理人员和计算爱好者阅读。
　　《大数据处理之道》分析比较了当下流行的大数据处理技术的优劣及适用场景，让读者可以根据自己的需求来选择合适的工具和方案，值得一读。

　　本书覆盖了当前大数据处理领域的热门技术，包括Hadoop、Spark、Storm、Dremel、Drill等，详细分析了各种技术的应用场景和优缺点；同时阐述了大数据下的日志分析系统，重点讲解了ELK日志处理方案；最后分析了大数据处理技术的发展趋势。本书采用幽默的表述风格，使读者容易理解、轻松掌握；重点从各种技术的起源、设计思想、架构等方面阐述，以帮助读者从根源上悟出大数据处理之道。

　　此书从广度上涵盖了目前几乎所有的大数据处理热门技术，实为大数据行业的入门人员和从业人员的一顿盛宴，推荐！
　　——IBM产品经理 张帅

　　目前大数据处理领域比较火爆的技术有Hadoop、Spark、Storm等，到底哪个技术较强？谁会替代谁？此书对这些技术进行了横向对比，分析了各个技术的应用场景，对大数据处理初学者和大数据行业应用人员有很好的指导作用。
　　——YeahMobi产品架构师 朱杰

　　大数据处理技术日新月异，从*初的Hadoop到目前广为流行的Spark。在此同时，为了满足不同应用场景的需求，各大IT公司陆续推出不同的大数据处理方案，目前已有数十种大数据处理方案涌现。为此，我们只有不断学习新技术，才能跟上时代的步伐。本书对深入了解大数据处理技术有着很好的参考意义。
　　——华为大数据技术构架师 尹青

　　十年前，有人曾说过，“1世纪什么*贵？”—“人才”，深以为然。十年后的今天，大数据的价值越来越明显，堪比石油和黄金。为了应对海量数据处理带来的巨大挑战，全球的计算机精英开发出众多有针对性的先进技术。本书全面介绍了目前大数据处理领域的热门技术的精髓和应用场景，实用性很强。
　　——中兴高达产品经理，技术总监 尹尚国

　　本书内容丰富、结构严谨、语言诙谐，为读者呈现了大数据处理领域各大热门技术的设计思想、应用场景和实例，可帮助大数据初学者快速上手，也可帮助大数据研发人员扩展知识，是大数据处理行业不可多得的书籍。
　　——知名IT领军人物 欧立奇

0“疯狂”的大数据 1
0．1大数据时代 1
0．2数据就是“金库” 3
0．3让大数据“活”起来 4
第1篇Hadoop军营
1 Hadoop一石激起千层浪 7
1．1Hadoop诞生――不仅仅是玩具 7
1．2Hadoop发展――各路英雄集结 8
1．3Hadoop和它的小伙伴们 10
1．4Hadoop应用场景 12
1．5小结 13
2 MapReduce奠定基石 14
2．1MapReduce设计思想 14
2．2MapReduce运行机制 19
2．2．1MapReduce的组成 19
2．2．2MapReduce作业运行流程 20
2．2．3JobTracker解剖 26
2．2．4TaskTracker解剖 34
2．2．5失败场景分析 42
2．3MapReduce实例分析 43
2．3．1运行WordCount程序 44
2．3．2WordCount源码分析 45
2．4小结 48
3 分布式文件系统 49
3．1群雄并起的DFS 49
3．2HDFS文件系统 51
3．2．1HDFS 设计与架构 52
3．2．2HDFS 操作与API 56
3．2．3HDFS的优点及适用场景 60
3．2．4HDFS的缺点及改进策略 61
3．3小结 62
4 Hadoop体系的“四剑客” 63
4．1数据仓库工具Hive 63
4．1．1Hive缘起何处 63
4．1．2Hive和数据库的区别 65
4．1．3Hive设计思想与架构 66
4．1．4适用场景 74
4．2大数据仓库HBase 74
4．2．1HBase因何而生 74
4．2．2HBase的设计思想和架构 77
4．2．3HBase优化技巧 84
4．2．4HBase和Hive的区别 86
4．3Pig编程语言 87
4．3．1Pig的缘由 87
4．3．2Pig的基本架构 88
4．3．3Pig与Hive的对比 90
4．3．4Pig的执行模式 90
4．3．5Pig Latin语言及其应用 91
4．4协管员ZooKeeper 96
4．4．1ZooKeeper是什么 96
4．4．2ZooKeeper的作用 97
4．4．3ZooKeeper的架构 98
4．4．4ZooKeeper的数据模型 100
4．4．5ZooKeeper的常用接口及操作 102
4．4．6ZooKeeper的应用场景分析 105
4．5小结 108
5 Hadoop资源管理与调度 110
5．1Hadoop调度机制 110
5．1．1FIFO 111
5．1．2计算能力调度器 111
5．1．3公平调度器 113
5．2Hadoop YARN资源调度 114
5．2．1YARN产生的背景 114
5．2．2Hadoop YARN的架构 116
5．2．3YARN的运作流程 118
5．3Apache Mesos资源调度 120
5．3．1Apache Mesos的起因 120
5．3．2Apache Mesos的架构 121
5．3．3基于Mesos的Hadoop 123
5．4Mesos与YARN对比 127
5．5小结 128
6 Hadoop集群管理之道 129
6．1Hadoop 集群管理与维护 129
6．1．1Hadoop集群管理 129
6．1．2Hadoop集群维护 131
6．2Hadoop 集群调优 132
6．2．1Linux文件系统调优 132
6．2．2Hadoop通用参数调整 133
6．2．3HDFS相关配置 133
6．2．4MapReduce相关配置 134
6．2．5Map任务相关配置 136
6．2．6HBase搭建重要的HDFS参数 137
6．3Hadoop 集群监控 137
6．3．1Apache Ambari监控 137
6．3．2Ganglia监控Hadoop 138
6．4小结 138
第2篇Spark星火燎原
7 Spark宝刀出鞘 141
7．1Spark的历史渊源 141
7．1．1Spark的诞生 141
7．1．2Spark的发展 142
7．2Spark和Hadoop MapReduce对比 143
7．3Spark的适用场景 145
7．4Spark的硬件配置 146
7．5Spark架构 147
7．5．1Spark生态架构 147
7．5．2Spark运行架构 149
7．6小结 151
8 Spark核心RDD 153
8．1RDD简介 153
8．1．1什么是RDD 153
8．1．2为什么需要RDD 154
8．1．3RDD本体的设计 154
8．1．4RDD与分布式共享内存 155
8．2RDD的存储级别 155
8．3RDD依赖与容错 157
8．3．1RDD依赖关系 157
8．3．2RDD容错机制 160
8．4RDD操作与接口 161
8．4．1RDD Transformation操作与接口 162
8．4．2RDD Action操作与接口 164
8．5RDD编程示例 165
8．6小结 166
9 Spark运行模式和流程 167
9．1Spark运行模式 167
9．1．1Spark的运行模式列表 167
9．1．2Local模式 168
9．1．3Standalone模式 169
9．1．4Spark on Mesos模式 171
9．1．5Spark on YARN 模式 173
9．1．6Spark on EGO 模式 175
9．2Spark作业流程 177
9．2．1YARN-Client模式的作业流程 178
9．2．2YARN-Cluster模式的作业流程 179
9．3小结 181
10 Shark和Spark SQL 183
10．1从Shark到Spark SQL 183
10．1．1Shark的撤退是进攻 183
10．1．2Spark SQL接力 185
10．1．3Spark SQL与普通SQL的区别 186
10．2Spark SQL应用架构 187
10．3Spark SQL之DataFrame 188
10．3．1什么是DataFrame 188
10．3．2DataFrame的创建 188
10．3．3DataFrame的使用 190
10．4Spark SQL运行过程分析 190
10．5小结 192
11 Spark Streaming流数据处理新贵 193
11．1Spark Streaming是什么 193
11．2Spark Streaming的架构 194
11．3Spark Streaming的操作 195
11．3．1Spark Streaming的Transformation操作 196
11．3．2Spark Streaming的Window操作 197
11．3．3Spark Streaming的Output操作 198
11．4Spark Streaming性能调优 198
11．5小结 200
12 Spark GraphX图计算系统 201
12．1图计算系统 201
12．1．1图存储模式 202
12．1．2图计算模式 203
12．2Spark GraphX的框架 206
12．3Spark GraphX的存储模式 207
12．4Spark GraphX的图运算符 208
12．5小结 211
13 Spark Cluster管理 212
13．1Spark Cluster部署 212
13．2Spark Cluster管理与监控 213
13．2．1内存优化机制 213
13．2．2Spark日志系统 213
13．3Spark 高可用性 215
13．4小结 216
第3篇其他大数据处理技术
14 专为流数据而生的Storm 218
14．1Storm起因 218
14．2Storm的架构与组件 220
14．3Storm的设计思想 222
14．4Storm与Spark的区别 224
14．5Storm的适用场景 225
14．6Storm的应用 226
14．7小结 227
15 Dremel和Drill 228
15．1Dremel和Drill的历史背景 228
15．2Dremel的原理与应用 230
15．3Drill的架构与流程 232
15．4Dremel和Drill的适用场景与应用 234
15．5小结 234
第4篇大数据下的日志分析系统
16 日志分析解决方案 236
16．1百花齐放的日志处理技术 236
16．2日志处理方案ELK 238
16．2．1ELK的三大金刚 238
16．2．2ELK的架构 240
16．2．3ELK的组网形式 242
16．3Logstash日志收集解析 245
16．3．1Input Plugins及应用示例 246
16．3．2Filter Plugins及应用示例 248
16．3．3Output Plugins及应用示例 249
16．4ElasticSearch存储与搜索 250
16．4．1ElasticSearch的主要概念 251
16．4．2ElasticSearch Rest API 252
16．5Kibana展示 253
16．6小结 255
17 ELK集群部署与应用 256
17．1ELK集群部署与优化 256
17．1．1ELK HA集群部署 256
17．1．2ElasticSearch优化 257
17．2如何开发自己的插件 259
17．3ELK在大数据运维系统中的应用 261
17．4ELK实战应用 262
17．4．1ELK监控Spark集群 262
17．4．2ELK监控系统资源状态 263
17．4．3ELK辅助日志管理和故障排查 263
17．5小结 264
第5篇数据分析技术前景展望
18 大数据处理的思考与展望 266
18．1大数据时代的思考 266
18．2大数据处理技术的发展趋势 267
18．3小结 270

　　近年来，“大数据”已然成为IT界如火如荼的词，与“云计算” 并驾齐驱，成为带动IT行业发展的两列高速火车。尤其是在物联网快速发展的时代，数据已经被称为新的资源，是支撑物联网发展的基石。
　　那么，如何把“死”的数据变成真正有效的“资源”，成为近年来IT界人士共同思考的问题。一时间，各种大数据处理技术如井喷一般涌现。Hadoop、 Spark、Storm、Dremel、Drill等大数据解决方案争先恐后地展现出来。需要说明的是，这里所有的方案并不是一种技术，而是数种甚至数十种技术的组合。就拿Hadoop来说，Hadoop只是“领头羊”，关键成员还有MapReduce、HDFS、Hive、HBase、Pig、ZooKeeper等，大有“八仙过海，各显神通”的气势和场面。
　　本书首先横向总结性地阐述了各种大数据处理技术，重点从缘起缘落、设计思想、架构原理等角度剖析了各种技术，分析了各种技术的优缺点和适用场景。本书并不涉及软件的安装等，因为如何安装和使用，在网络上搜索即可，着实没有必要浪费读者的时间和金钱。在这一部分，第1篇为Hadoop军营；第2篇为Spark星火燎原；第3篇讲述了其他大数据处理技术，如Storm、Dremel、Drill等。
　　其次阐述了大数据下的日志分析技术。在大数据时代，日志分析方案呈现出遍地开花的景象。如果将大数据处理系统比作一个可能得病的人，那么日志分析就是负责看病的医生，要想让大数据处理系统健康、平稳地运行，日志分析和监控非常重要。这一部分重点阐述了日志分析技术中如日中天的方案ELK。
　　最后展望了大数据处理技术的发展趋势。大数据处理技术发展迅猛，数据量越来越大，技术的革新在所难免。
　　作为大数据研发人员，只有时刻学习新技术，方能立于技术前沿。
　　由于时间仓促，书中难免出现不足之处，恳请读者指正。本书编写过程中得到了团队其他成员的支持，贡献力量的有张帅、王占伟、李峰、欧立奇等，在此衷心感谢朋友和家人的鼎力支持。
　　闲言少叙，直接上干货吧！亲爱的读者朋友，请吧……