Hadoop基礎教程pdf 中文完整版

《Hadoop基礎教程》包括三個主要部分：第1~5章講述了Hadoop的核心機制及Hadoop的工作模式；第6~7章涵蓋了Hadoop更多可操作的內容；第8~11章介紹了Hadoop與其他產品和技術的組合使用。

Hadoop 是一些大型搜索引擎數據縮減功能的核心部分，但是它實際上是一個分布式數據處理框架。搜索引擎需要收集數據，而且是數量極大的數據。作為分布式框架，Hadoop 讓許多應用程序能夠受益于并行數據處理。

Hadoop基礎教程目錄

第1章　緒論　
1.1　大數據處理　
1.1.1　數據的價值　
1.1.2　受眾較少　
1.1.3　一種不同的方法　
1.1.4　Hadoop　
1.2　基于Amazon Web Services的云計算　
1.2.1　云太多了　
1.2.2　第三種方法　
1.2.3　不同類型的成本　
1.2.4　AWS：Amazon的彈性架構　
1.2.5　本書內容　
1.3　小結　

第2章　安裝并運行Hadoop　
2.1　基于本地Ubuntu主機的Hadoop系統　
2.2　實踐環節：檢查是否已安裝JDK　
2.3　實踐環節：下載Hadoop　
2.4　實踐環節：安裝SSH　
2.5　實踐環節：使用Hadoop計算圓周率　
2.6　實踐環節：配置偽分布式模式　
2.7　實踐環節：修改HDFS的根目錄　
2.8　實踐環節：格式化NameNode　
2.9　實踐環節：啟動Hadoop　
2.10　實踐環節：使用HDFS　
2.11　實踐環節：MapReduce的經典入門程序——字數統計　
2.12　使用彈性MapReduce　
2.13　實踐環節：使用管理控制臺在EMR運行WordCount　
2.13.1　使用EMR的其他方式　
2.13.2　AWS生態系統　
2.14　本地Hadoop與EMR Hadoop的對比　
2.15　小結　

第3章　理解MapReduce　
3.1　鍵值對　
3.1.1　具體含義　
3.1.2　為什么采用鍵/值數據　
3.1.3　MapReduce作為一系列鍵/值變換　
3.2　MapReduce的Hadoop Java API　
3.3　編寫MapReduce程序　
3.4　實踐環節：設置classpath　
3.5　實踐環節：實現WordCount　
3.6　實踐環節：構建JAR文件　
3.7　實踐環節：在本地Hadoop集群運行WordCount　
3.8　實踐環節：在EMR上運行WordCount　
3.8.1　0.20之前版本的Java MapReduce API　
3.8.2　Hadoop提供的mapper和reducer實現　
3.9　實踐環節：WordCount的簡易方法　
3.10　查看WordCount的運行全貌　
3.10.1　啟動　
3.10.2　將輸入分塊　
3.10.3　任務分配　
3.10.4　任務啟動　
3.10.5　不斷監視JobTracker　
3.10.6　mapper的輸入　
3.10.7　mapper的執行　
3.10.8　mapper的輸出和reducer的輸入　
3.10.9　分塊　
3.10.10　可選分塊函數　
3.10.11　reducer類的輸入　
3.10.12　reducer類的執行　
3.10.13　reducer類的輸出　
3.10.14　關機　
3.10.15　這就是MapReduce的全部　
3.10.16　也許缺了combiner　
3.11　實踐環節：使用combiner編寫WordCount　
3.12　實踐環節：更正使用combiner的WordCount　
3.13　Hadoop專有數據類型　
3.13.1　Writable和Writable-Comparable接口　
3.13.2　wrapper類介紹　
3.14　實踐環節：使用Writable包裝類　
3.15　輸入/輸出　
3.15.1　文件、split和記錄　
3.15.2　InputFormat和RecordReader　
3.15.3　Hadoop提供的InputFormat　
3.15.4　Hadoop提供的RecordReader　
3.15.5　OutputFormat和Record-Writer　
3.15.6　Hadoop提供的OutputFormat　
3.15.7　別忘了Sequence files　
3.16　小結　

第4章　開發MapReduce程序　
4.1　使用非Java語言操作Hadoop　
4.1.1　Hadoop Streaming工作原理　
4.1.2　使用Hadoop Streaming的原因　
4.2　實踐環節：使用Streaming實現Word-Count　
4.3　分析大數據集　
4.3.1　獲取UFO目擊事件數據集　
4.3.2　了解數據集　
4.4　實踐環節：統計匯總UFO數據　
4.5　實踐環節：統計形狀數據　
4.6　實踐環節：找出目擊事件的持續時間與UFO形狀的關系　
4.7　實踐環節：在命令行中執行形狀/時間分析　
4.8　實踐環節：使用ChainMapper進行字段驗證/分析　
4.9　實踐環節：使用Distributed Cache改進地點輸出　
4.10　計數器、狀態和其他輸出　
4.11　實踐環節：創建計數器、任務狀態和寫入日志　
4.12　小結　

第5章　高級MapReduce技術　
5.1　初級、高級還是中級　
5.2　多數據源聯結　
5.2.1　不適合執行聯結操作的情況　
5.2.2　map端聯結與reduce端聯結的對比　
5.2.3　匹配賬戶與銷售信息　
5.3　實踐環節：使用MultipleInputs實現reduce端聯結　
5.3.1　實現map端聯結　
5.3.2　是否進行聯結　
5.4　圖算法　
5.4.1　Graph 101　
5.4.2　圖和MapReduce　
5.4.3　圖的表示方法　
5.5　實踐環節：圖的表示　
5.6　實踐環節：創建源代碼　
5.7　實踐環節：第一次運行作業　
5.8　實踐環節：第二次運行作業　
5.9　實踐環節：第三次運行作業　
5.10　實踐環節：第四次也是最后一次運行作業　
5.10.1　運行多個作業　
5.10.2　關于圖的終極思考　
5.11　使用語言無關的數據結構　
5.11.1　候選技術　
5.11.2　Avro簡介　
5.12　實踐環節：獲取并安裝Avro　
5.13　實踐環節：定義模式　
5.14　實踐環節：使用Ruby創建Avro源數據　
5.15　實踐環節：使用Java語言編程操作Avro數據　
5.16　實踐環節：在MapReduce中統計UFO形狀　
5.17　實踐環節：使用Ruby檢查輸出數據　
5.18　實踐環節：使用Java檢查輸出數據　
5.19　小結　

第6章　故障處理　
6.1　故障　
6.1.1　擁抱故障　
6.1.2　至少不怕出現故障　
6.1.3　嚴禁模仿　
6.1.4　故障類型　
6.1.5　Hadoop節點故障　
6.2　實踐環節：殺死DataNode進程　
6.3　實踐環節：復制因子的作用　
6.4　實踐環節：故意造成數據塊丟失　
6.5　實踐環節：殺死TaskTracker進程　
6.6　實踐環節：殺死JobTracker　
6.7　實踐環節：殺死NameNode進程　
6.8　實踐環節：引發任務故障　
6.9　數據原因造成的任務故障　
6.10　實踐環節：使用skip模式處理異常數據　
6.11　小結　

第7章　系統運行與維護　
7.1　關于EMR的說明　
7.2　Hadoop配置屬性　
7.3　實踐環節：瀏覽默認屬性　
7.3.1　附加的屬性元素　
7.3.2　默認存儲位置　
7.3.3　設置Hadoop屬性的幾種方式　
7.4　集群設置　
7.4.1　為集群配備多少臺主機　
7.4.2　特殊節點的需求　
7.4.3　不同類型的存儲系統　
7.4.4　Hadoop的網絡配置　
7.5　實踐環節：查看默認的機柜配置　
7.6　實踐環節：報告每臺主機所在機柜　
7.7　集群訪問控制　
7.8　實踐環節：展示Hadoop的默認安全機制　
7.9　管理NameNode　
7.10　實踐環節：為fsimage文件新增一個存儲路徑　
7.11　實踐環節：遷移到新的NameNode主機　
7.12　管理HDFS　
7.12.1　數據寫入位置　
7.12.2　使用平衡器　
7.13　MapReduce管理　
7.13.1　通過命令行管理作業　
7.13.2　作業優先級和作業調度　
7.14　實踐環節：修改作業優先級并結束作業運行　
7.15　擴展集群規模　
7.15.1　提升本地Hadoop集群的計算能力　
7.15.2　提升EMR作業流的計算能力　
7.16　小結　

第8章　Hive：數據的關系視圖　
8.1　Hive概述　
8.1.1　為什么使用Hive　
8.1.2　感謝Facebook　
8.2　設置Hive　
8.2.1　準備工作　
8.2.2　下載Hive　
8.3　實踐環節：安裝Hive　
8.4　使用Hive　
8.5　實踐環節：創建UFO數據表　
8.6　實踐環節：在表中插入數據　
8.7　實踐環節：驗證表　
8.8　實踐環節：用正確的列分隔符重定義表　
8.9　實踐環節：基于現有文件創建表　
8.10　實踐環節：執行聯結操作　
8.11　實踐環節：使用視圖　
8.12　實踐環節：導出查詢結果　
8.13　實踐環節：制作UFO目擊事件分區表　
8.13.1　分桶、歸并和排序　
8.13.2　用戶自定義函數　
8.14　實踐環節：新增用戶自定義函數　
8.14.1　是否進行預處理　
8.14.2　Hive和Pig的對比　
8.14.3　未提到的內容　
8.15　基于Amazon Web Services的Hive　
8.16　實踐環節：在EMR上分析UFO數據　
8.16.1　在開發過程中使用交互式作業流　
8.16.2　與其他AWS產品的集成　
8.17　小結　

第9章　與關系數據庫協同工作　
9.1　常見數據路徑　
9.1.1　Hadoop用于存儲檔案　
9.1.2　使用Hadoop進行數據預處理　
9.1.3　使用Hadoop作為數據輸入工具　
9.1.4　數據循環　
9.2　配置MySQL　
9.3　實踐環節：安裝并設置MySQL　
9.4　實踐環節：配置MySQL允許遠程連接　
9.5　實踐環節：建立員工數據庫　
9.6　把數據導入Hadoop　
9.6.1　使用MySQL工具手工導入　
9.6.2　在mapper中訪問數據庫　
9.6.3　更好的方法：使用Sqoop　
9.7　實踐環節：下載并配置Sqoop　
9.8　實踐環節：把MySQL的數據導入HDFS　
9.9　實踐環節：把MySQL數據導出到Hive　
9.10　實踐環節：有選擇性的導入數據　
9.11　實踐環節：使用數據類型映射　
9.12　實踐環節：通過原始查詢導入數據　
9.13　從Hadoop導出數據　
9.13.1　在reducer中把數據寫入關系數據庫　
9.13.2　利用reducer輸出SQL數據文件　
9.13.3　仍是最好的方法　
9.14　實踐環節：把Hadoop數據導入MySQL　
9.15　實踐環節：把Hive數據導入MySQL　
9.16　實踐環節：改進mapper并重新運行數據導出命令　
9.17　在AWS上使用Sqoop　
9.18　小結　

第10章　使用Flume收集數據　
10.1　關于AWS的說明　
10.2　無處不在的數據　
10.2.1　數據類別　
10.2.2　把網絡流量導入Hadoop　
10.3　實踐環節：把網絡服務器數據導入Hadoop　
10.3.1　把文件導入Hadoop　
10.3.2　潛在的問題　
10.4　Apache Flume簡介　
10.5　實踐環節：安裝并配置Flume　
10.6　實踐環節：把網絡流量存入日志文件　
10.7　實踐環節：把日志輸出到控制臺　
10.8　實踐環節：把命令的執行結果寫入平面文件　
10.9　實踐環節：把遠程文件數據寫入本地平面文件　
10.9.1　信源、信宿和信道　
10.9.2　Flume配置文件　
10.9.3　一切都以事件為核心　
10.10　實踐環節：把網絡數據寫入HDFS　
10.11　實踐環節：加入時間戳　
10.12　實踐環節：多層Flume網絡　
10.13　實踐環節：把事件寫入多個信宿　
10.13.1　選擇器的類型　
10.13.2　信宿故障處理　
10.13.3　使用簡單元件搭建復雜系統　
10.14　更高的視角　
10.14.1　數據的生命周期　
10.14.2　集結數據　
10.14.3　調度　
10.15　小結　

第11章　展望未來　
11.1　全書回顧　
11.2　即將到來的Hadoop變革　
11.3　其他版本的Hadoop軟件包　
11.4　其他Apache項目　
11.4.1　HBase　
11.4.2　Oozie　
11.4.3　Whir　
11.4.4　Mahout　
11.4.5　MRUnit　
11.5　其他程序設計模式　
11.5.1　Pig　
11.5.2　Cascading　
11.6　AWS資源　
11.6.1　在EMR上使用HBase　
11.6.2　SimpleDB　
11.6.3　DynamoDB　
11.7　獲取信息的渠道　
11.7.1　源代碼　
11.7.2　郵件列表和論壇　
11.7.3　LinkedIn群組　
11.7.4　Hadoop用戶群　
11.7.5　會議　
11.8　小結