Hadoop应用架构(影印版) 东南大学出版社 最新 lit 百度云 下载 azw3 rb pdf kindle

在使用ApacheHadoop设计端到端数据管理解决方案时，获得专家级指导。当其它很多渠道还停留在解释Hadoop生态系统中该如何使用各种纷纭复杂的组件时，这本专注实践的书已带领您从架构的整体角度思考，这样的角度对于您的特别应用场景而言，是必不可少的。它将所有组件紧密结合在一起，形成完整有针对性的应用程序。为了增强学习效果，本书第二部分提供了各种详细的架构案例，涵盖部分很常见的Hadoop应用场景。无论您在设计一个新的Hadoop应用，或者正计划将Hadoop整合到现有的数据基础架构中，本书都将在整个过程中提供技巧性的导引。

Foreword

Preface

Part Ⅰ.Architectural Considerations for Hadoop Applications

1. Data Modeling in Hadoop

Data Storage Options

Standard File Formats

Hadoop File Types

Serialization Formats

Columnar Formats

Compression

HDFS Schema Design

Location of HDFS Files

Advanced HDFS Schema Design

HDFS Schema Design Summary

HBase Schema Design

Row Key

Timestamp

Hops

Tables and Regions

Using Columns

Using Column Families

Time-to-Live

Managing Metadata

What Is Metadata?

Why Care About Metadata?

Where to Store Metadata?

Examples of Managing Metadata

Limitations of the Hive Metastore and HCatalog

Other Ways of Storing Metadata

Conclusion

2. Data Movement

Data Ingestion Considerations

Timeliness of Data Ingestion

Incremental Updates

Access Patterns

Original Source System and Data Structure

Transformations

Network Bottlenecks

Network Security

Push or Pull

Failure Handling

Level of Complexity

Data Ingestion Options

File Transfers

Considerations for File Transfers versus Other Ingest Methods

Sqoop: Batch Transfer Between Hadoop and Relational Databases

Flume: Event-Based Data Collection and Processing

Kafka

Data Extraction

Conclusion

3. Processing Data in Hadoop

MapReduce

MapReduce Overview

Example for MapReduce

When to Use MapReduce

Spark

Spark Overview

Overview of Spark Components

Basic Spark Concepts

Benefits of Using Spark

Spark Example

When to Use Spark

Abstractions

Pig

Pig Example

When to Use Pig

Crunch

Crunch Example

When to Use Crunch

Cascading

Cascading Example

When to Use Cascading

Hive

Hive Overview

Example of Hive Code

When to Use Hive

Impala

Impala Overview

Speed-Oriented Design

Impala Example

When to Use Impala

Conclusion

4. Common Hadoop Processing Patterns

Pattern: Removing Duplicate Records by Primary Key

Data Generation for Deduplication Example

Code Example: Spark Deduplication in Scala

Code Example: Deduplication in SQL

Pattern: Windowing Analysis

Data Generation for Windowing Analysis Example

Code Example: Peaks and Valleys in Spark

Code Example: Peaks and Valleys in SQL

Pattern: Time Series Modifications

Use HBase and Versioning

Use HBase with a RowKey of RecordKey and StartTime

Use HDFS and Rewrite the Whole Table

Use Partitions on HDFS for Current and Historical Records

Data Generation for Time Series Example

Code Example: Time Series in Spark

Code Example: Time Series in SQL

Conclusion

5. Graph Processing on Hadoop

What Is a Graph?

What Is Graph Processing?

How Do You Process a Graph in a Distributed System?

The Bulk Synchronous Parallel Model

BSP by Example

Giraph

Read and Partition the Data

Batch Process the Graph with BSP

Write the Graph Back to Disk

Putting It All Together

When Should You Use Giraph?

GraphX

Just Another RDD

GraphX Pregel Interface

vprog0

sendMessage0

mergeMessage0

Which Tool to Use?

Conclusion

6. Orchestration

Why We Need Workflow Orchestration

The Limits of Scripting

The Enterprise Job Scheduler and Hadoop

Orchestration Frameworks in the Hadoop Ecosystem

Oozie Terminology

Oozie Overview

Oozie Workflow

Workflow Patterns

Point-to-Point Workflow

Fan- Out Workflow

Capture-and-Decide Workflow

Parameterizing Workflows

Classpath Definition

Scheduling Patterns

Frequency Scheduling

Time and Data Triggers

Executing Workflows

Conclusion

7. Near-Real-Time Processing with Hadoop

Stream Processing

Apache Storm

Storm High-Level Architecture

Storm Topologies

Tuples and Streams

Spouts and Bolts

Stream Groupings

Reliability of Storm Applications

Exactly-Once Processing

Fault Tolerance

Integrating Storm with HDFS

Integrating Storm with HBase

Storm Example: Simple Moving Average

Evaluating Storm

Trident

Trident Example: Simple Moving Average

Evaluating Trident

Spark Streaming

Overview of Spark Streaming

Spark Streaming Example: Simple Count

Spark Streaming Example: Multiple Inputs

Spark Streaming Example: Maintaining State

Spark Streaming Example: Windowing

Spark Streaming Example: Streaming versus ETL Code

Evaluating Spark Streaming

Flume Interceptors

Which Tool to Use?

Low-Latency Enrichment, Validation, Alerting, and Ingestion

NRT Counting, Rolling Averages, and Iterative Processing

Complex Data Pipelines

Conclusion

Part Ⅱ. Case Studies

8. Clickstream Analysis

Defining the Use Case

Using Hadoop for Clickstream Analysis

Design Overview

Storage

Ingestion

The Client Tier

The Collector Tier

Processing

Data Deduplication

Sessionization

Analyzing

Orchestration

Conclusion

9. Fraud Detection

Continuous Improvement

Taking Action

Architectural Requirements of Fraud Detection Systems

Introducing Our Use Case

High-Level Design

Client Architecture

Profile Storage and Retrieval

Caching

HBase Data Definition

Delivering Transaction Status: Approved or Denied?

Ingest

Path Between the Client and Flume

Near-Real-Time and Exploratory Analytics

Near-Real-Time Processing

Exploratory Analytics

What About Other Architectures?

Flume Interceptors

Kafka to Storm or Spark Streaming

External Business Rules Engine

Conclusion

10. Data Warehouse

Using Hadoop for Data Warehousing

Defining the Use Case

OLTP Schema

Data Warehouse: Introduction and Terminology

Data Warehousing with Hadoop

High-Level Design

Data Modeling and Storage

Ingestion

Data Processing and Access

Aggregations

Data Export

Orchestration

Conclusion

A. Joins in Impala

Index

Mark Grover，是Apache Bigtop的代码贡献者以及ApacheSentry的项目管理委员会成员和代码贡献者。Ted Malaska，是Cloude ra的不错应用架构师，帮助客户使用Hadoop及其生态系统。

Jonathan Seidman，是Cloudera的应用架构师，帮助合作伙伴把他们的解决方案集成到Cloudera的软件栈中。

Gwen Shapira，是Cloudera的应用架构师，在为客户设计可扩展的数据架构方面有15年的经验。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：Hadoop应用架构(影印版) 东南大学出版社在线阅读

在线听书地址：Hadoop应用架构(影印版) 东南大学出版社在线收听

在线购买地址：Hadoop应用架构(影印版) 东南大学出版社在线购买

如果关联的数据集恰好按照关联的键分桶，而且一个数据集中桶的数量是另一个的倍数，那么就足够单独关联相应的桶，而不需要关联整个数据集了。着显著降低了两个数据集执行 Reduce 端关联（Reduce-side join） 的时间复杂度。这是因为 Reduce 端的关联非常消耗资源。但是，如果关联的是两个桶数据集，而不是两个整数数据集，那么关联相应的桶即可。这样就可以减少关联消耗。当然，来自两个表的不同的桶可以并行关联。另外，分桶之后的数据量通常都比较小，一般能够放入内存。所以整个关联操作可以在 Map-Reduce 任务的 Map 阶段将小桶加载到内存中进行。这就是所谓的 Map 端关联（Map-side join）。与 Reduce 端关联相比，它的性能更好。如果使用 Hive 进行数据分析，应该能自动识别分桶的表并执行这种优化。

如果桶中的数据时有序的（sorted），那么就可以使用合并连接（merge join），而且关联时不会将整个桶都存入内存。这比简单的桶关联（bucket join）更快，而且更加节省内存。Hive 也支持这种优化。注意，任何一个表都可以分桶，在没有逻辑意义的分区点上也是如此。对于经常进行关联操作的大表，最好对数据进行排序和分桶，而且要按照关联字段分桶。

暂无其它内容！