实战Hadoop 2.0（第二版）――从云计算到大数据

深入解读Hadoop2.0，全新升级，实战性更强。

书是刘鹏教授主编的国内**本Hadoop编程书籍《实战Hadoop》的第二版。Hadoop堪称业界*经典的开源云计算和大数据平台软件。本书系统介绍了Hadoop 2.0生态圈的核心和扩展组件，包括：管理工具Ambari、分布式文件系统HDFS、分布式资源管理器YARN、分布式并行处理MapReduce、内存型计算框架Spark、数据流实时处理系统Storm、分布式锁服务ZooKeeper、分布式数据库HBase、数据仓库工具Hive，以及Pig、Oozie、Flume、Mahout等。

刘鹏，清华大学博士，解放军理工大学教授、学科带头人，中国云计算专家委员会委员。主要研究方向为信息网格和云计算，完成科研课题18项，发表论文70余篇，获部级科技进步奖6项。曾夺得国际计算机排序比赛冠军，并二次夺得全国高校科技比赛高奖，获“全军十大学习成才标兵”、“南京十大杰出青年”和“清华大学学术新秀”等称号。2002年首倡的“网格计算池”和2003年研发的“反垃圾邮件网格”分别为云计算和云安全的前身。创办了知名的中国网格和中国云计算网站。

目 录

|第1章| 大数据组件概述 1
1．1 Google大数据组件 2
1．2 Apache大数据组件 6
1．2．1 Hadoop核心组件 7
1．2．2 基于MR的数据分析组件 10
1．2．3 数据库组件 16
1．2．4 BSP组件 19
1．2．5 基于YARN框架组件 20
1．2．6 基于YARN的编程类库组件 24
1．2．7 搜索引擎组件 25
1．2．8 工作流组件 26
1．2．9 数据流组件 27
1．2．10 序列化和持久化组件 29
1．2．11 调试工具 30
1．2．12 安全性组件 31
1．2．13 兼容性组件 33
1．2．14 集群部署与管理组件 33
习题 34
参考文献 35
|第2章| 大数据集群 39
2．1 大数据集群简介 40
2．2 大数据集群bigCstor 45
2．3 我的大数据集群littleCstor 48
2．4 小结 52
习题 52
参考文献 53
|第3章| 集群管理工具Ambari 55
3．1 Ambari简介 56
3．2 使用Ambari部署HDP 59
3．3 使用Ambari搭建littleCstor 62
3．3．1 相关约定 62
3．3．2 制定部署规划 63
3．3．3 搭建prelittleCstor 64
3．3．4 本地建仓 72
3．3．5 部署AmbariServer 77
3．3．6 搭建littleCstor 83
3．3．7 小结 105
3．4 使用Ambari管理littleCstor 110
3．5 小结 111
习题 111
参考文献 111
|第4章| 分布式文件系统HDFS 113
4．1 分布式存储引例 114
4．1．1 问题描述 114
4．1．2 常规解决方案 115
4．1．3 分布式解决方案 117
4．2 HDFS简介 124
4．2．1 HDFS逻辑架构 124
4．2．2 HDFS物理拓扑 129
4．2．3 HDFS部署 133
4．2．4 HDFS其他概念[9] 135
4．3 HDFS接口 138
4．4 实战HDFS Shell 140
4．4．1 HDFS文件级命令集 141
4．4．2 HDFS系统级命令集 143
4．5 实战WebHDFS 149
4．5．1 WebHDFS简介 149
4．5．2 WebHDFS示例 151
4．6 实战HDFS JAVA API 156
4．6．1 搭建开发环境 156
4．6．2 常规操作示例 158
4．7 实战HDFS大项目：用HDFS存储海量视频数据 163
4．7．1 应用场景 163
4．7．2 设计实现 164
习题 166
参考文献 166

|第5章| 分布式资源管理器YARN 169
5．1 分布式资源管理器引例 170
5．1．1 分布式资源管理器简介 170
5．1．2 分布式资源管理器架构 173
5．2 YARN简介 177
5．2．1 基础概念 177
5．2．2 物理拓扑 179
5．2．3 体系架构 180
5．2．4 集群部署 190
5．3 YARN接口 192
5．4 实战YARN Shell 194
5．4．1 系统级命令 195
5．4．2 程序级命令 197
5．4．3 其他辅助命令 199
5．5 实战YARN编程 199
5．5．1 常见并行化范式 199
5．5．2 YARN编程步骤 205
5．6 实战YARN编程之DistributedShell 213
5．6．1 DistributedShell简介 213
5．6．2 编写DistributedShell 214
5．7 实战YARN编程之三大范式 221
5．7．1 DistributedShell 222
5．7．2 MapReduce 222
5．7．3 Giraph 223
习题 224
参考文献 224
|第6章| 分布式并行处理MapReduce 225
6．1 并行化范式M-S-R引例 226
6．1．1 问题描述 226
6．1．2 常规解决方案 227
6．1．3 分布式解决方案 228
6．1．4 小结 234
6．2 MapReduce简介[1] 234
6．2．1 基本概念 235
6．2．2 编程模型 237
6．2．3 集群部署 239
6．2．4 体系架构 241
6．2．5 执行过程 245
6．3 MapReduce接口 247
6．4 实战MapReduce Shell 250
6．5 实战MapReduce编程 253
6．6 实战MapReduce编程之WordCount[3] 256
6．6．1 WordCount代码分析 256
6．6．2 WordCount处理过程 260
6．7 实战MapReduce编程之SecondarySort 261
6．8 实战MapReduce编程之倒排索引 265
6．8．1 简介 265
6．8．2 分析与设计 266
6．8．3 倒排索引完整源码 269
6．9 实战MapReduce之性能优化 271
习题 280
参考文献 280
|第7章| 分布式锁服务ZooKeeper 281
7．1 ZooKeeper简介 282
7．1．1 ZooKeeper应用场景 282
7．1．2 ZooKeeper体系架构[3] 285
7．1．3 ZooKeeper服务模型 287
7．1．4 ZooKeeper部署 289
7．2 ZooKeeper接口 292
7．2．1 接口汇总 292
7．2．2 实战ZooKeeper Shell 292
7．3 实战ZooKeeper编程 294
7．4 实战ZooKeeper之进程通信 296
7．5 实战ZooKeeper之进程调度系统 297
7．5．1 设计方案 297
7．5．2 设计实现 297
7．6 实战ZooKeeper之实现NameNode自动切换 303
7．6．1 设计思想 304
7．6．2 详细设计 304
7．6．3 编码 305
7．6．4 实战总结 310
习题 311
参考文献 311
|第8章| 分布式数据库HBase 313
8．1 HBase简介 314
8．1．1 体系架构 314
8．1．2 数据模型 320
8．1．3 集群部署[21] 321
8．2 HBase接口 326
8．3 实战HBase Shell 327
8．4 实战HBase API 329
8．5 实战HBase之综例 330
8．6 实战HBase之使用MapReduce构建索引 332
8．6．1 索引表蓝图 332
8．6．2 HBase和MapReduce 333
8．6．3 实现索引 334
习题 336
参考文献 337
|第9章| 内存型计算框架Spark 339
9．1 Spark简介 340
9．1．1 基础概念 340
9．1．2 体系架构 346
9．1．3 集群部署 358
9．1．4 计算模型 366
9．1．5 工作机制 374
9．1．6 其他特性 375
9．2 Spark接口 377
9．3 实战Spark Shell 379
9．3．1 集群管理 379
9．3．2 任务管理 381
9．4 实战Spark编程之RDD 383
9．4．1 RDD属性 383
9．4．2 并行化证明RDD、调试RDD 386
9．4．3 RDD操作 389
9．5 实战Spark之WordCount[3] 396
9．6 实战Spark之MLLib 397
习题 398
参考文献 398

|第10章| 数据流实时处理系统Storm 399
10．1 Storm简介 400
10．1．1 与Hadoop的关系 400
10．1．2 基础概念 402
10．1．3 体系架构 408
10．1．4 集群部署[4] 412
10．1．5 计算模型 421
10．2 Storm接口 450
10．3 实战Storm Shell 452
10．4 实战Storm API之RollingTopWords 455
习题 457
参考文献 458
|第11章| 数据仓库工具Hive 459
11．1 Hive简介 460
11．1．1 工作原理 460
11．1．2 体系架构 461
11．1．3 计算模型 462
11．1．4 集群部署 463
11．2 Hive接口 467
11．2．1 接口汇总 467
11．2．2 实战Hive Web 467
11．3 实战Hive Shell 468
11．3．1 DDL Operations 468
11．3．2 DML Operations 469
11．3．3 SQL Operations 470
11．4 实战Hive之复杂语句 471
11．5 实战Hive之综合示例 473
11．6 实战Hive API接口 474
11．6．1 UDF编程示例[3] 474
11．6．2 UDAF编程示例 475
习题 477
参考文献 477
|第12章| 其他常见大数据组件 479
12．1 Pig 480
12．1．1 Pig简介 480
12．1．2 实战Pig 483
12．2 Oozie 483
12．2．1 Oozie简介 483
12．2．2 实战Oozie[4] 485
12．3 Flume 487
12．3．1 Flume简介 487
12．3．2 Flume入门 489
12．4 Mahout 492
12．4．1 Mahout简介 492
12．4．2 Mahout入门 492
习题 494
参考文献 494
|附录A| 手工部署Hadoop2．0 495
一、部署综述 496
二、部署步骤 500

第二版前言

本书第一版早在2011年9月就出版了，是国内第一本Hadoop编程书籍。经过5年发展，我们欣喜地看到，Hadoop已经在我国遍地开花，成为云计算、大数据领域最受欢迎的开源平台。

这些年来，经过全球众多企业和个人的共同参与，Hadoop生态圈取得了长足进步。核心版本从1.x升级到2.x，并出现了以Spark和Storm为代表的全新开源软件。本书第二版的目的就是追踪最新技术，使得读者能够尽快迈进前沿。

编者从1988年在通信工程学院跟随谢希仁教授从事计算机网络的研究， 2000年起在清华大学跟随李三立院士从事分布式计算的研究，先后以计算机网络、网格计算、云计算和大数据为研究重点，出版了《网格计算》、《云计算》（第一、二、三版）、《实战Hadoop》、《云计算大数据处理》、《军事信息栅格理论与技术》等书。其中，《云计算》已经成为全国高校首选教材，成为云计算从业者的“红宝书”，其免费配套PPT下载量逾百万次。目前，编者正联合全国多所高校和知名企业，以同样的高标准编著《大数据》教材，即将于2016年中出版。这些年来，编者还创办了中国云计算（www.chinacloud.cn）、中国大数据（www.thebigdata.cn）、中国物联网（www.netofthings.cn）、中国智慧城市（www.smartcitychina.cn）等网站，这些网站均在搜索引擎排名第一。希望自己所做的工作，对大家有所裨益。

下列同志参与了本书第一版的编写工作，第二版中隐含了他们的贡献。他们是：黄宜华、陈卫卫、程浩、王磊、顾荣、张贞、邓鹏、杨晓亮、郭岩岩、李浩、魏家宾、王胤然、张欣、王海坤等。本书的编写得到了云计算、大数据领域的领军企业云创大数据（网址：www.cstor.cn，微信公众号：cStor_cn，股票简称：云创数据，股票代码：835305）在软硬件环境和技术上的大力支持。在此，一并致谢！

由于编者水平有限，请读者提宝贵意见！邮箱：gloud@126.com。编者还设有微信公众号：刘鹏看未来（lpoutlook），与大家分享对科技未来的看法，并提供各种课件、资料和视频。

刘鹏 教授

2016年2月1日