具体描述
本书是一本循序渐进的指导手册，重点介绍了Hadoop的高级概念和特性。内容涵盖了Hadoop 2.X版的改进，MapReduce、Pig和Hive等的优化及其高级特性，Hadoop 2.0的专属特性（如YARN和HDFS联合），以及如何使用Hadoop 2.0版本扩展Hadoop的能力。
如果你想拓展自己的Hadoop知识和技能，想应对具有挑战性的数据处理问题，想让Hadoop作业、Pig脚本和Hive查询运行得更快，或者想了解升级Hadoop的好处，那么本书便是你的不二选择。
通过阅读本书，你将能够：
理解从Hadoop 1.0到Hadoop 2.0的变化
定制和优化Hadoop 2.0中的MapReduce作业
探究Hadoop I/O和不同的数据格式
深入学习YARN和Storm，并通过YARN集成Hadoop和Storm
基于亚马逊Elastic MapReduce部署Hadoop
探究HDFS替代品，学习HDFS联合
掌握Hadoop安全方面的主要内容
使用Mahout和RHadoop进行Hadoop数据分析
作者简介
Sandeep Karanth
Scibler公司联合创始人，负责数据智能产品的架构；DataPhi Labs公司联合创始人兼首席架构师，专注于构建和实施软件系统。他拥有14年以上的软件行业从业经验，既设计过企业数据应用，也开发过新一代移动应用。他曾就职于微软总部和微软印度研究院。他的Twitter账号是@karanths，GitHub账号是https://github.com/Karanth。
目录信息
1.1 Hadoop的起源 1
1.2 Hadoop的演进 2
1.3 Hadoop 2.X 6
1.3.1 Yet Another Resource Negotiator（YARN） 7
1.3.2 存储层的增强 8
1.3.3 支持增强 11
1.4 Hadoop的发行版 11
1.4.1 选哪个Hadoop发行版 12
1.4.2 可用的发行版 14
1.5 小结 16
第2章 MapReduce进阶 17
2.1 MapReduce输入 18
2.1.1 InputFormat类 18
2.1.2 InputSplit类 18
2.1.3 RecordReader类 19
2.1.4 Hadoop的“小文件”问题 20
2.1.5 输入过滤 24
2.2 Map任务 27
2.2.1 dfs.blocksize属性 28
2.2.2 中间输出结果的排序与溢出 28
2.2.3 本地reducer和Combiner 31
2.2.4 获取中间输出结果——Map 侧 31
2.3 Reduce任务 32
2.3.1 获取中间输出结果——Reduce侧 32
2.3.2 中间输出结果的合并与溢出 33
2.4 MapReduce的输出 34
2.5 MapReduce作业的计数器 34
2.6 数据连接的处理 36
2.6.1 Reduce侧的连接 36
2.6.2 Map侧的连接 42
2.7 小结 45
第3章 Pig进阶 47
3.1 Pig对比SQL 48
3.2 不同的执行模式 48
3.3 Pig的复合数据类型 49
3.4 编译Pig脚本 50
3.4.1 逻辑计划 50
3.4.2 物理计划 51
3.4.3 MapReduce计划 52
3.5 开发和调试助手 52
3.5.1 DESCRIBE命令 52
3.5.2 EXPLAIN命令 53
3.5.3 ILLUSTRATE命令 53
3.6 Pig 操作符的高级特性 54
3.6.1 FOREACH操作符进阶 54
3.6.2 Pig的特殊连接 58
3.7 用户定义函数 61
3.7.1 运算函数 61
3.7.2 加载函数 66
3.7.3 存储函数 68
3.8 Pig的性能优化 69
3.8.1 优化规则 69
3.8.2 Pig脚本性能的测量 71
3.8.3 Pig的Combiner 72
3.8.4 Bag数据类型的内存 72
3.8.5 Pig的reducer数量 72
3.8.6 Pig的multiquery模式 73
3.9 最佳实践 73
3.9.1 明确地使用类型 74
3.9.2 更早更频繁地使用投影 74
3.9.3 更早更频繁地使用过滤 74
3.9.4 使用LIMIT操作符 74
3.9.5 使用DISTINCT操作符 74
3.9.6 减少操作 74
3.9.7 使用Algebraic UDF 75
3.9.8 使用Accumulator UDF 75
3.9.9 剔除数据中的空记录 75
3.9.10 使用特殊连接 75
3.9.11 压缩中间结果 75
3.9.12 合并小文件 76
3.10 小结 76
第4章 Hive进阶 77
4.1 Hive架构 77
4.1.1 Hive元存储 78
4.1.2 Hive编译器 78
4.1.3 Hive执行引擎 78
4.1.4 Hive的支持组件 79
4.2 数据类型 79
4.3 文件格式 80
4.3.1 压缩文件 80
4.3.2 ORC文件 81
4.3.3 Parquet文件 81
4.4 数据模型 82
4.4.1 动态分区 84
4.4.2 Hive表索引 85
4.5 Hive查询优化器 87
4.6 DML进阶 88
4.6.1 GROUP BY操作 88
4.6.2 ORDER BY与SORT BY 88
4.6.3 JOIN类型 88
4.6.4 高级聚合 89
4.6.5 其他高级语句 90
4.7 UDF、UDAF和UDTF 90
4.8 小结 93
第5章 序列化和Hadoop I/O 95
5.1 Hadoop数据序列化 95
5.1.1 Writable与WritableComparable 96
5.1.2 Hadoop与Java序列化的区别 98
5.2 Avro序列化 100
5.2.1 Avro与MapReduce 102
5.2.2 Avro与Pig 105
5.2.3 Avro与Hive 106
5.2.4 比较Avro与Protocol Buffers/Thrift 107
5.3 文件格式 108
5.3.1 Sequence文件格式 108
5.3.2 MapFile格式 111
5.3.3 其他数据结构 113
5.4 压缩 113
5.4.1 分片与压缩 114
5.4.2 压缩范围 115
5.5 小结 115
第6章 YARN——其他应用模式进入Hadoop的引路人 116
6.1 YARN的架构 117
6.1.1 资源管理器 117
6.1.2 Application Master 118
6.1.3 节点管理器 119
6.1.4 YARN客户端 120
6.2 开发YARN的应用程序 120
6.2.1 实现YARN客户端 120
6.2.2 实现AM实例 125
6.3 YARN的监控 129
6.4 YARN中的作业调度 134
6.4.1 容量调度器 134
6.4.2 公平调度器 137
6.5 YARN命令行 139
6.5.1 用户命令 140
6.5.2 管理员命令 140
6.6 小结 141
第7章 基于YARN的Storm——Hadoop中的低延时处理 142
7.1 批处理对比流式处理 142
7.2 Apache Storm 144
7.2.1 Apache Storm的集群架构 144
7.2.2 Apache Storm的计算和数据模型 145
7.2.3 Apache Storm用例 146
7.2.4 Apache Storm的开发 147
7.2.5 Apache Storm 0.9.1 153
7.3 基于YARN的Storm 154
7.3.1 在YARN上安装Apache Storm 154
7.3.2 安装过程 154
7.4 小结 161
第8章 云上的Hadoop 162
8.1 云计算的特点 162
8.2 云上的Hadoop 163
8.3 亚马逊Elastic MapReduce 164
8.4 小结 175
第9章 HDFS替代品 176
9.1 HDFS的优缺点 176
9.2 亚马逊AWS S3 177
9.3 在Hadoop中实现文件系统 179
9.4 在Hadoop中实现S3原生文件系统 179
9.5 小结 189
第10章 HDFS联合 190
10.1 旧版HDFS架构的限制 190
10.2 HDFS联合的架构 192
10.2.1 HDFS联合的好处 193
10.2.2 部署联合NameNode 193
10.3 HDFS高可用性 195
10.3.1 从NameNode、检查节点和备份节点 195
10.3.2 高可用性——共享edits 196
10.3.3 HDFS实用工具 197
10.3.4 三层与四层网络拓扑 197
10.4 HDFS块放置策略 198
10.5 小结 200
第11章 Hadoop安全 201
11.1 安全的核心 201
11.2 Hadoop中的认证 202
11.2.1 Kerberos认证 202
11.2.2 Kerberos的架构和工作流 203
11.2.3 Kerberos认证和Hadoop 204
11.2.4 HTTP接口的认证 204
11.3 Hadoop中的授权 205
11.3.1 HDFS的授权 205
11.3.2 限制HDFS的使用量 208
11.3.3 Hadoop中的服务级授权 209
11.4 Hadoop中的数据保密性 211
11.5 Hadoop中的日志审计 216
11.6 小结 217
第12章 使用Hadoop进行数据分析 218
12.1 数据分析工作流 218
12.2 机器学习 220
12.3 Apache Mahout 222
12.4 使用Hadoop和Mahout进行文档分析 223
12.4.1 词频 223
12.4.2 文频 224
12.4.3 词频－逆向文频 224
12.4.4 Pig中的Tf-idf 225
12.4.5 余弦相似度距离度量 228
12.4.6 使用k-means 的聚类 228
12.4.7 使用Apache Mahout进行k-means聚类 229
12.5 RHadoop 233
12.6 小结 233
附录 微软Windows中的Hadoop 235
· · · · · · (收起)
读后感
用户评价
这本书的叙事风格非常独特，它不像传统的技术手册那样枯燥乏味，反而更像是一位经验丰富的老前辈在分享他的“踩坑”心得。作者在介绍HDFS的可靠性机制时，用了一个非常形象的比喻——“数据的三副本哲学”，让我对数据冗余和容错性有了更直观的认识。流畅的文字背后，是对复杂概念的精准把握和提炼。比如，对于“慢节点漂移”这一业界难题，书中提出的解决方案不仅具有理论上的严谨性，更体现了工程实践中的灵活性。我特别喜欢它对生态系统中其他组件的兼容性讨论，比如如何将Hive的查询优化与HDFS的存储结构相结合，以及如何利用ZooKeeper维护集群的健壮性。这本书的阅读体验是渐进式的，初读时你会惊叹于其知识的广博，再读时则会专注于那些微妙的性能调优细节。它成功地将一个庞大且看似冰冷的技术体系，赋予了清晰的逻辑脉络和生动的实践案例，让学习过程充满了乐趣和成就感。
与其他市面上流行的“速成”书籍相比，这本书展现出一种罕见的对技术本质的坚持。它没有过多纠结于最新框架的华丽外表，而是将笔墨集中在那些千年不变的核心挑战上：如何保证数据一致性、如何有效利用网络带宽、以及如何进行恰当的故障恢复。书中对数据一致性模型（最终一致性与强一致性的权衡）的探讨，极具思辨性。它引导读者去思考，在Hadoop这个特定的分布式环境中，我们应该追求何种程度的“完美”。在处理大规模随机读写场景时，我参考了书中关于“块大小与I/O效率”的章节，书中通过图表清晰地展示了块大小对寻址开销的影响，这直接指导了我们在生产环境中调整HDFS的默认配置。这本书的深度使得它具备了长久的生命力，即使上层应用不断迭代，底层的系统设计哲学依然是永恒的基石。
这本书的深度和广度令人印象深刻，它仿佛是一张详尽的航海图，引领着我在数据洪流中稳健前行。作者显然对分布式系统的底层原理有着透彻的理解，书中对MapReduce的每一个阶段，从输入格式的解析到最终结果的聚合，都进行了庖丁解牛般的细致剖析。尤其值得称赞的是，它并没有停留在API层面的罗列，而是深入探讨了Hadoop集群的资源管理机制，YARN的调度算法以及NameNode和DataNode之间复杂的交互协议。当我第一次尝试搭建一个包含上百个节点的集群时，书中提供的那些关于数据本地性和机架感知的优化策略，简直就是雪中送炭。我记得在处理一个TB级别日志文件时，我们原先的方案效率低下，但在参考了书中关于Combine和Partitioner选择的最佳实践后，性能提升了近四倍。这本书的价值在于，它不仅告诉你“如何做”，更重要的是解释了“为什么这样做才是最优解”。对于那些渴望从Hadoop使用者蜕变为架构设计者的工程师来说，这本书无疑是案头必备的工具书，它的知识密度高到需要反复研读，每一次重读都能发现新的领悟。
我是一名刚刚接触大数据领域的研究生，对于那些动辄上万字的官方文档感到望而却步。然而，这本书就像一座精心搭建的阶梯，让我能够一步步攀登至技术的制高点。它最大的贡献在于提供了一套清晰的学习路径图。书中对分布式文件系统和计算框架的介绍，逻辑衔接得天衣无缝，完全避免了知识点的碎片化。特别是关于“内存管理”的那一章，它详细分析了JVM调优对MapReduce任务执行效率的影响，并给出了针对不同集群配置的推荐参数范围，这对于资源有限的个人实验环境尤为重要。我曾花费数周时间试图理解为什么我的任务会频繁发生GC暂停，直到我在这本书中找到了关于堆内存分配策略的解答。这本书的价值不仅仅在于传授技术，更在于培养读者从系统层面思考问题的能力。它教会了我如何构建一个可扩展、高可用的数据处理平台，而非仅仅是写出能跑起来的代码。
这本书的排版和插图设计也体现了作者的用心良苦。对于复杂的数据流向图，作者没有采用简单的方框加箭头，而是使用了色彩编码和层次结构来区分控制流和数据流，这极大地降低了理解门槛。阅读体验非常流畅，即使是那些涉及到并发控制和锁机制的敏感部分，也被拆解成了易于消化的模块。我尤其欣赏作者在讨论“作业提交”流程时，对Client、JobTracker（或ApplicationMaster）和TaskTracker之间状态同步的细致描绘，这在很多其他资料中都是一笔带过的内容。通过这本书，我对整个批处理生命周期有了一个鸟瞰式的全局观。它不仅是技术手册，更像是一份详尽的“工程蓝图”。对于任何需要深入理解和优化企业级数据平台的工程师而言，这本书提供的不仅仅是知识，更是一种解决复杂分布式问题的思维模式。
