大数据处理之道下载-大数据处理之道pdf下载 高清完整版-绿色软件之家

大数据处理之道下载 最新更新|软件分类|软件专题|手机版|论坛转贴|软件发布

您当前所在位置：首页 → 教程下载 → 数据库类 → 大数据处理之道pdf 高清完整版

大数据处理之道pdf

高清完整版

大数据处理之道pdf
  • 软件大小：104.9M
  • 软件语言：中文
  • 软件类型：国产软件 / 数据库类
  • 软件授权：免费软件
  • 更新时间：2019-06-18 09:57
  • 软件等级：4星
  • 应用平台：WinXP, Win7, Win8, Win10
  • 软件官网：

ITMOP本地下载文件大小：104.9M

点赞好评0%（0） 差评差评0%（0）

软件介绍人气软件精品推荐相关文章网友评论下载地址

小编为您推荐：大数据处理之道大数据丛书大数据

大数据处理之道pdf高清完整版是非常专业的一本大数据处理技术丛书，在这里不仅有详细的大数据时代分析，还有大数据处理应用的技术分析，以及实例分析，这本书每一章节都有小结，欢迎有需要的用户来IT绿色下载！

关于本书

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。

大数据处理之道下载

作者简介

何金池 IBM高级软件工程师，主要从事高性能计算和大数据领域研发工作，熟悉目前大数据处理领域的各项热门技术，擅长于大数据环境下的日志分析和处理，具有多年的一线软件研发测试经验。

前言

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行业发展的两架高速列车。尤其在物联网快速发展的时代，数据已经被称之为新的资源，或者“金子”，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”，最后再变成活生生的“金子”，便成为近年来IT界人士思考的问题。所以，一时之间，各种大数据处理技术如井喷一般涌现出来。Hadoop, Spark, Storm, Dremel/Drill等大数据解决方案争先恐后的展现出来，需要说明的是，这里所有的方案不是一种技术，而是数种，甚至数十种技术的组合，就拿Hadoop来说，Hadoop只是带头大哥，后面的关键的小弟还有：MapReduce, HDFS, Hive, Hbase, Pig, ZooKeeper等等，大有“大仙过海，各显神通”的气势和场面。

第一部分，本书横向总结性阐述了各种大数据处理技术，重点从缘起缘落、设计思想、构架原理等角度剖析了各种技术，分析了各个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，在网络上一搜一大堆，着实没有必要浪费读者的时间和金钱。在这部分中，第一篇讲述了Hadoop技术阵营，第二篇，讲述了Spark新起之秀，第三篇讲述了其他大数据处理技术，如Storm, Dremel/Drill等。在第二部分中，本书阐述了大数据场景下的日志分析技术。在大数据时代，日志分析方案也呈现出了遍地开花的景象。如果将大数据处理系统比作一个可能得病的人，日志分析就是负责看病的医生，要想让大数据处理健康平稳，日志分析和监控非常重要。本书重点阐述了日志处理技术中的最如日中天的方案：ELK。最后部分展望了大数据处理技术的发展趋势，怎奈大数据处理技术发展太快，数据量也将会越来越大，技术的革新也将在所难免。

作为大数据研发人员，时刻保持学习新技术，方能立于技术

大数据处理之道目录

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

更多>>软件截图

推荐软件

    其他版本下载

      精品推荐

      相关文章

      下载地址

      • 大数据处理之道pdf 高清完整版

      查看所有评论>>网友评论

      发表评论

      (您的评论需要经过审核才能显示) 网友粉丝QQ群号:203046401

      查看所有0条评论>>

      更多>>猜你喜欢