Hadoop數(shù)據(jù)分析

定　價：￥69.00

作　者：	[美] 本杰明·班福特（Benjamin Bengfort）著，王純超譯
出版社：	人民郵電出版社
叢編項：	圖靈程序設計叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115479648	出版時間：	2018-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	211	字數(shù)：

內(nèi)容簡介

　　通過提供分布式數(shù)據(jù)存儲和并行計算框架，Hadoop已經(jīng)從一個集群計算的抽象演化成了一個大數(shù)據(jù)的操作系統(tǒng)。本書旨在通過以可讀且直觀的方式提供集群計算和分析的概覽，為數(shù)據(jù)科學家深入了解特定主題領域鋪平道路，從數(shù)據(jù)科學家的視角介紹Hadoop集群計算和分析。本書分為兩大部分，* 一部分從非常高的層次介紹分布式計算，討論如何在集群上運行計算；* 二部分則重點關注數(shù)據(jù)科學家應該了解的工具和技術，意在為各種分析和大規(guī)模數(shù)據(jù)管理提供動力。

作者簡介

　　Benjamin Bengfort，數(shù)據(jù)科學家，目前正在馬里蘭大學攻讀博士學位，方向為機器學習和分布式計算；熟悉自然語言處理、Python數(shù)據(jù)科學、Hadoop和Spark分析等。Jenny Kim，經(jīng)驗豐富的大數(shù)據(jù)工程師，不僅進行商業(yè)軟件的開發(fā)，在學術界也有所建樹，在海量數(shù)據(jù)、機器學習以及生產(chǎn)和研究環(huán)境的Hadoop實施方面有深入研究。目前任職于Cloudera的Hue團隊。

圖書目錄

前言 ix
* 一部分　分布式計算入門
* 1章　數(shù)據(jù)產(chǎn)品時代 2
1．1　什么是數(shù)據(jù)產(chǎn)品 2
1．2　使用Hadoop構建大規(guī)模數(shù)據(jù)產(chǎn)品 4
1．2．1　利用大型數(shù)據(jù)集 4
1．2．2　數(shù)據(jù)產(chǎn)品中的Hadoop 5
1．3　數(shù)據(jù)科學流水線和Hadoop生態(tài)系統(tǒng) 6
1．4　小結 8
* 2 章　大數(shù)據(jù)操作系統(tǒng) 9
2．1　基本概念 10
2．2　Hadoop架構 11
2．2．1　Hadoop集群 12
2．2．2　HDFS 14
2．2．3　YARN 15
2．3　使用分布式文件系統(tǒng) 16
2．3．1　基本的文件系統(tǒng)操作 16
2．3．2　HDFS文件權限 18
2．3．3　其他HDFS接口 19
2．4　使用分布式計算 20
2．4．1　MapReduce：函數(shù)式編程模型 20
2．4．2　MapReduce：集群上的實現(xiàn) 22
2．4．3　不止一個MapReduce：作業(yè)鏈 27
2．5　向YARN 提交MapReduce 作業(yè) 28
2．6　小結 30
第3 章　Python 框架和Hadoop Streaming 31
3．1　Hadoop Streaming 32
3．1．1　使用Streaming在CSV 數(shù)據(jù)上運行計算 34
3．1．2　執(zhí)行Streaming作業(yè) 38
3．2　Python 的MapReduce框架 39
3．2．1　短語計數(shù) 42
3．2．2　其他框架 45
3．3　MapReduce進階 46
3．3．1　combiner 46
3．3．2　partitioner 47
3．3．3　作業(yè)鏈 47
3．4　小結 50
第4 章　Spark內(nèi)存計算 52
4．1　Spark基礎 53
4．1．1　Spark棧 54
4．1．2　RDD 55
4．1．3　使用RDD 編程 56
4．2　基于PySpark的交互性Spark 59
4．3　編寫Spark應用程序 61
4．4　小結 67
第5 章　分布式分析和模式 69
5．1　鍵計算 70
5．1．1　復合鍵 71
5．1．2　鍵空間模式 74
5．1．3　pair與stripe 78
5．2　設計模式 80
5．2．1　概要 81
5．2．2　索引 85
5．2．3　過濾 90
5．3　邁向* 后一英里分析 95
5．3．1　模型擬合 96
5．3．2　模型驗證 97
5．4　小結 98
* 二部分　大數(shù)據(jù)科學的工作流和工具
第6 章　數(shù)據(jù)挖掘和數(shù)據(jù)倉 102
6．1　Hive 結構化數(shù)據(jù)查詢 103
6．1．1　Hive 命令行接口（CLI） 103
6．1．2　Hive 查詢語言 104
6．1．3　Hive 數(shù)據(jù)分析 108
6．2　HBase 113
6．2．1　NoSQL 與列式數(shù)據(jù)庫 114
6．2．2　HBase 實時分析 116
6．3　小結 122
第7 章　數(shù)據(jù)采集 123
7．1　使用Sqoop 導入關系數(shù)據(jù) 124
7．1．1　從MySQL 導入HDFS 124
7．1．2　從MySQL 導入Hive 126
7．1．3　從MySQL 導入HBase 128
7．2　使用Flume 獲取流式數(shù)據(jù) 130
7．2．1　Flume 數(shù)據(jù)流 130
7．2．2　使用Flume 獲取產(chǎn)品印象數(shù)據(jù) 133
7．3　小結 136
第8 章　使用高級API 進行分析 137
8．1　Pig 137
8．1．1　Pig Latin 138
8．1．2　數(shù)據(jù)類型 142
8．1．3　關系運算符 142
8．1．4　用戶定義函數(shù) 143
8．1．5　Pig 小結 144
8．2　Spark 高級API 144
8．2．1　Spark SQL 146
8．2．2　DataFrame 148
8．3　小結 153
第9 章　機器學習 154
9．1　使用Spark 進行可擴展的機器學習 154
9．1．1　協(xié)同過濾 156
9．1．2　分類 161
9．1．3　聚類 163
9．2　小結 166
* 10 章　總結：分布式數(shù)據(jù)科學實戰(zhàn) 167
10．1　數(shù)據(jù)產(chǎn)品生命周期 168
10．1．1　數(shù)據(jù)湖泊 169
10．1．2　數(shù)據(jù)采集 171
10．1．3　計算數(shù)據(jù)存儲 172
10．2　機器學習生命周期 173
10．3　小結 175
附錄A　創(chuàng)建Hadoop 偽分布式開發(fā)環(huán)境 176
附錄B　安裝Hadoop 生態(tài)系統(tǒng)產(chǎn)品 184
術語表 193
關于作者 211
關于封面 211