Hadoop实战

第一部分  Hadoop——一种分布式编程框架
第1 章  Hadoop简介　　2
1.1  为什么写《Hadoop 实战》　　3
1.2  什么是Hadoop 　　3
1.3  了解分布式系统和Hadoop 　　4
1.4  比较SQL 数据库和Hadoop　　5
1.5  理解MapReduce　　6
1.5.1  动手扩展一个简单程序　　7
1.5.2  相同程序在MapReduce中的扩展　　9
1.6  用Hadoop统计单词——运行第一个程序　　11
1.7  Hadoop历史　　15
1.8  小结　　16
1.9  资源　　16
第2 章  初识Hadoop 　　17
2.1  Hadoop 的构造模块　　17
2.1.1  NameNode 　　17
2.1.2  DataNode 　　18
2.1.3  Secondary NameNode 　　19
2.1.4  JobTracker　　19
2.1.5  TaskTracker　　19
2.2  为Hadoop 集群安装SSH　　21
2.2.1  定义一个公共账号　　21
2.2.2  验证SSH安装　　21
2.2.3  生成SSH密钥对　　21
2.2.4  将公钥分布并登录验证　　22
2.3  运行Hadoop 　　22
2.3.1  本地（单机）模式　　23
2.3.2   伪分布模式　　24
2.3.3  全分布模式　　25
2.4  基于Web 的集群用户界面　　28
2.5  小结　　30
第3 章  Hadoop组件　　31
3.1  HDFS 文件操作　　31
3.1.1  基本文件命令　　32
3.1.2  编程读写HDFS　　35
3.2  剖析MapReduce 程序　　37
3.2.1  Hadoop数据类型　　39
3.2.2  Mapper　　40
3.2.3  Reducer　　41
3.2.4  Partitioner：重定向Mapper输出　　41
3.2.5  Combiner：本地reduce 　　43
3.2.6  预定义mapper和Reducer类的单词计数　　43
3.3  读和写　　43
3.3.1  InputFormat 　　44
3.3.2  OutputFormat　　49
3.4  小结　　50
第二部分  实战
第4 章  编写MapReduce基础程序　　52
4.1  获得专利数据集　　52
4.1.1  专利引用数据　　53
4.1.2  专利描述数据　　54
4.2  构建MapReduce 程序的基础模板　　55
4.3  计数　　60
4.4  适应Hadoop API 的改变　　64
4.5  Hadoop 的Streaming 　　 67
4.5.1  通过Unix命令使用Streaming 　　 68
4.5.2  通过脚本使用Streaming　　 69
4.5.3  用Streaming处理键/值对　　 72
4.5.4  通过Aggregate包使用Streaming　　75
4.6  使用combiner 提升性能　　 80
4.7  温故知新　　83
4.8  小结　　84
4.9  更多资源　　84
第5 章  高阶MapReduce 　　 85
5.1  链接MapReduce 作业　　 85
5.1.1  顺序链接MapReduce作业　　 85
5.1.2  具有复杂依赖的MapReduce链接　　86
5.1.3  预处理和后处理阶段的链接　　86
5.2  联结不同来源的数据　　 89
5.2.1  Reduce侧的联结　　 90
5.2.2  基于DistributedCache的复制联结　　 98
5.2.3  半联结：map侧过滤后在reduce侧联结　　101
5.3  创建一个Bloom filter 　　102
5.3.1  Bloom filter做了什么　　102
5.3.2  实现一个Bloom filter 　　104
5.3.3  Hadoop 0.20 以上版本的Bloom filter 　　 110
5.4  温故知新　　　110
5.5  小结　　 111
5.6  更多资源　　 112
第6 章  编程实践　　 113
6.1  开发MapReduce 程序　　 113
6.1.1  本地模式　　 114
6.1.2  伪分布模式　　 118
6.2  生产集群上的监视和调试　　123
6.2.1  计数器　　123
6.2.2  跳过坏记录　　125
6.2.3  用IsolationRunner重新运行出错的任务　　128
6.3  性能调优　　 129
6.3.1  通过combiner来减少网络流量　　129
6.3.2  减少输入数据量　　129
6.3.3  使用压缩　　129
6.3.4  重用JVM 　　132
6.3.5  根据猜测执行来运行　　132
6.3.6  代码重构与算法重写　　133
6.4  小结　　134
第7 章  细则手册　　135
7.1  向任务传递作业定制的参数　　 135
7.2  探查任务特定信息　　137
7.3  划分为多个输出文件　　138
7.4  以数据库作为输入输出　　143
7.5  保持输出的顺序　　145
7.6  小结　　 146
第8 章  管理Hadoop　　147
8.1  为实际应用设置特定参数值　　 147
8.2  系统体检　　149
8.3  权限设置　　151
8.4  配额管理　　151
8.5  启用回收站　　152
8.6  删减DataNode 　　152
8.7  增加DataNode 　　153
8.8  管理NameNode 和SNN　　 153
8.9  恢复失效的NameNode 　　155
8.10  感知网络布局和机架的设计　　156
8.11  多用户作业的调度　　157
8.11.1  多个JobTracker 　　 158
8.11.2  公平调度器　　158
8.12  小结　　 160
第三部分  Hadoop也疯狂
第9 章  在云上运行Hadoop 　　 162
9.1  Amazon Web Services 简介　　162
9.2  安装AWS　　163
9.2.1  获得AWS身份认证凭据　　164
9.2.2  获得命令行工具　　166
9.2.3  准备SSH密钥对　　168
9.3  在EC2 上安装Hadoop　　169
9.3.1  配置安全参数　　169
9.3.2  配置集群类型　　169
9.4  在EC2 上运行MapReduce 程序　　171
9.4.1  将代码转移到Hadoop集群上　　171
9.4.2  访问Hadoop集群上的数据　　172
9.5  清空和关闭EC2 实例　　175
9.6  Amazon Elastic MapReduce 和其他AWS 服务　　176
9.6.1  Amazon Elastic MapReduce 　　176
9.6.2  AWS导入/导出　　177
9.7  小结　　177
第10 章  用Pig编程　　178
10.1  像Pig 一样思考　　178
10.1.1  数据流语言　　179
10.1.2  数据类型　　179
10.1.3  用户定义函数　　179
10.2  安装Pig 　　179
10.3  运行Pig 　　180
10.4  通过Grunt 学习Pig Latin　　182
10.5  谈谈Pig Latin 　　186
10.5.1  数据类型和schema　　186
10.5.2  表达式和函数　　187
10.5.3  关系型运算符　　189
10.5.4  执行优化　　196
10.6  用户定义函数　　196
10.6.1  使用UDF 　　196
10.6.2  编写UDF 　　197
10.7  脚本　　199
10.7.1  注释　　199
10.7.2  参数替换　　200
10.7.3  多查询执行　　201
10.8  Pig 实战——计算相似专利的例子　　201
10.9  小结　　206
第11 章  Hive及Hadoop群　　207
11.1  Hive 　　207
11.1.1  安装与配置Hive 　　208
11.1.2  查询的示例　　210
11.1.3  深入HiveQL 　　213
11.1.4  Hive小结　　221
11.2  其他Hadoop 相关的部分　　221
11.2.1  HBase 　　221
11.2.2  ZooKeeper 　　221
11.2.3  Cascading 　　221
11.2.4  Cloudera 　　222
11.2.5  Katta 　　222
11.2.6  CloudBase 　　222
11.2.7  Aster Data和Greenplum 　　222
11.2.8  Hama和Mahout 　　223
11.2.9  search-hadoop.com 　　223
11.3  小结　　223
第12 章  案例研究　　224
12.1  转换《纽约时报》1100 万个库存图片文档　　224
12.2  挖掘中国移动的数据　　225
12.3  在StumbleUpon 推荐最佳网站　　229
12.3.1  分布式StumbleUpon 的开端　　230
12.3.2  HBase 和StumbleUpon 　　230
12.3.3  StumbleUpon 上的更多Hadoop 应用　　236
12.4  搭建面向企业查询的分析系统——IBM的ES2 项目　　238
12.4.1  ES2 系统结构　　240
12.4.2  ES2 爬虫　　241
12.4.3  ES2 分析　　242
12.4.4  小结　　249
12.4.5  参考文献　　250
附录A  HDFS文件命令　　251