第 一部分 大数据基础篇
第　1章 大数据思维　2
1.1　什么是大数据　2
1.2　从IT时代到大数据时代　4
1.3　大数据的产生与作用　5
1.3.1　大数据的产生　6
1.3.2　大数据的作用　6
1.4　大数据时代的新理念　7
1.4.1　对研究范式的新认识：从第三范式到第四范式　7
1.4.2　对数据重要性的新认识：从数据资源到数据资产　8
1.4.3　对方法论的新认识：从基于知识到基于数据　9
1.4.4　对数据分析的新认识：从统计学到数据科学　9
1.4.5　对计算智能的新认识：从复杂算法到简单算法　10
1.4.6　对管理目标的新认识：从业务数据化到数据业务化　11
1.4.7　对决策方式的新认识：从目标驱动型到数据驱动型　12
1.4.8　对产业竞合关系的新认识：从以战略为中心到以数据为中心　12
1.4.9　对数据复杂性的新认识：从不接受到接受数据的复杂性　13
1.4.10　对数据处理模式的新认识：从小众参与到大众协同　14
1.5　总结　14
习题　14
第　2章 大数据技术概述　15
2.1　大数据处理的基本流程　15
2.1.1　数据抽取与集成　16
2.1.2　数据分析　16
2.1.3　数据解释　16
2.2　大数据关键技术　17
2.2.1　大数据采集技术　17
2.2.2　大数据预处理技术　17
2.2.3　大数据存储及管理技术　18
2.2.4　大数据处理　19
2.2.5　大数据分析及挖掘技术　19
2.2.6　大数据展示技术　20
2.3　总结　21
习题　21
第3章　大数据采集　22
3.1　大数据采集概述　22
3.1.1　大数据分类　22
3.1.2　大数据采集方法分类　23
3.2　系统日志采集方法　24
3.2.1　Flume的基本概念　24
3.2.2　Flume使用方法　25
3.2.3　Flume应用案例　26
3.3　网络数据采集方法　27
3.3.1　网络爬虫原理　27
3.3.2　网络爬虫工作流程　28
3.3.3　网络爬虫抓取策略　28
3.3.4　Scrapy网络爬虫系统　32
3.3.5　小结　36
3.4　总结　36
习题　36
第4章　大数据预处理　37
4.1　大数据预处理概述　37
4.1.1　大数据预处理整体架构　37
4.1.2　数据质量问题分类　38
4.1.3　大数据预处理方法　38
4.2　数据清洗　39
4.2.1　遗漏数据处理　40
4.2.2　噪声数据处理　40
4.2.3　不一致数据处理　42
4.3　数据集成　42
4.4　数据转换　42
4.5　数据消减　44
4.5.1　数据立方合计　44
4.5.2　维数消减　44
4.5.3　数据压缩　45
4.5.4　数据块消减　46
4.6　离散化和概念层次树　48
4.6.1　数值概念层次树　48
4.6.2　类别概念层次树　49
4.7　ETL工具Kettle　50
4.7.1　ETL工具简介　51
4.7.2　安装Kettle　51
4.7.3　Kettle的数据流处理　52
4.8　总结　55
习题　56
第5章　大数据处理系统　57
5.1　大数据技术概述　57
5.1.1　分布式计算　57
5.1.2　服务器集群　57
5.1.3　大数据的技术基础　57
5.2　Google大数据处理系统　58
5.2.1　GFS　58
5.2.2　MapReduce　60
5.2.3　BigTable　60
5.3　Hadoop大数据处理系统　61
5.3.1　Hadoop系统简介　61
5.3.2　Hadoop生态圈　61
5.3.3　Hadoop版本演进　63
5.3.4　Hadoop发行版本　63
5.4　总结　64
习题　64
第二部分　大数据存储篇
第6章　大数据文件系统HDFS　66
6.1　HDFS简介　66
6.2　HDFS基本原理　66
6.2.1　文件系统的问题　67
6.2.2　HDFS的基本思想　67
6.2.3　HDFS的设计理念　68
6.2.4　HDFS的局限　69
6.3　HDFS系统实现　69
6.3.1　HDFS整体架构　69
6.3.2　HDFS数据复制　70
6.4　HDFS数据访问机制　71
6.4.1　读取流程　71
6.4.2　写入流程　72
6.5　HDFS操作　73
6.5.1　HDFS常用命令　73
6.5.2　HDFS的Web界面　74
6.5.3　HDFS的Java API　76
6.6　总结　78
习题　79
第7章　NOSQL数据库HBASE　80
7.1　NoSQL概述　80
7.1.1　NoSQL的起因　80
7.1.2　NoSQL的特点　81
7.1.3　NoSQL数据库面临的挑战　82
7.1.4　NoSQL的类型　82
7.2　HBase概述　86
7.3　HBase数据模型　87
7.3.1　数据模型概述　87
7.3.2　数据模型的基本概念　88
7.3.3　概念视图　88
7.3.4　物理视图　89
7.4　HBase命令行　90
7.4.1　一般操作　90
7.4.2　DDL操作　90
7.4.3　DML操作　91
7.4.4　HBase表实例　93
7.5　HBase的运行机制　94
7.5.1　HBase的物理存储　94
7.5.2　HBase的逻辑架构　95
7.6　HBase的编程　96
7.6.1　HBase的常用Java API　96
7.6.2　HBase编程实例　98
7.7　总结　101
习题　101
第三部分　大数据处理篇
第8章　大数据批处理 HADOOP MAPREDUCE　103
8.1　MapReduce概述　103
8.1.1　批处理模式　103
8.1.2　MapReduce简释　104
8.1.3　MapReduce基本思想　105
8.1.4　Map函数和Reduce函数　107
8.2　Hadoop MapReduce架构　109
8.3　Hadoop MapReduce的工作流程　110
8.4　实例分析：单词计数　112
8.4.1　设计思路　112
8.4.2　处理过程　112
8.5　Hadoop MapReduce 的工作机制　113
8.5.1　Hadoop MapReduce作业执行流程　114
8.5.2　Hadoop MapReduce的Shuffle阶段　115
8.5.3　Hadoop MapReduce的主要特点　117
8.6　Hadoop MapReduce编程实战　118
8.6.1　任务准备　118
8.6.2　编写Map程序　118
8.6.3　编写Reduce程序　119
8.6.4　编写main函数　121
8.6.5　核心代码包　121
8.6.6　运行代码　122
8.7　总结　122
习题　122
第9章　大数据快速处理SPARK　124
9.1　Spark简介　124
9.1.1　Spark与Hadoop　124
9.1.2　Spark的适用场景　126
9.2　RDD概念　126
9.2.1　RDD的基本概念　126
9.2.2　RDD基本操作　127
9.2.3　RDD血缘关系　130
9.2.4　RDD依赖类型　130
9.2.5　阶段划分　131
9.2.6　RDD缓存　132
9.3　Spark运行架构和机制　133
9.3.1　Spark总体架构　133
9.3.2　Spark运行流程　134
9.4　Spark生态系统　135
9.5　Spark编程实践　137
9.5.1　启动Spark Shell　137
9.5.2　Spark Shell使用　137
9.5.3　编写Java应用程序　138
9.6　总结　140
习题　140
第　10章 大数据实时流计算SPARK STREAMING　143
10.1　Spark Streaming简介　143
10.2　Spark Streaming的系统架构　144
10.2.1　传统流处理系统架构　144
10.2.2　Spark Streaming系统架构　145
10.2.3　动态负载均衡　146
10.2.4　容错性　147
10.2.5　实时性、扩展性与吞吐量　148
10.3　编程模型　149
10.3.1　DStream的操作流程　149
10.3.2　Spark Streaming使用　149
10.3.3　DStream的输入源　150
10.4　DStream的操作　151
10.4.1　普通的转换操作　151
10.4.2　窗口转换操作　153
10.4.3　输出操作　154
10.4.4　持久化　155
10.5　编程实战　155
10.5.1　流数据模拟器　155
10.5.2　实例1：读取文件演示　156
10.5.3　实例2：网络数据演示　157
10.5.4　实例3：Stateful演示　158
10.5.5　实例4：窗口演示　159
10.6　总结　160
习题　161
第四部分　大数据挖掘篇
第　11章 大数据挖掘 16311.1 数据挖掘概述　163
11.1.1　什么是数据挖掘　163
11.1.2　数据挖掘的价值类型　164
11.1.3　数据挖掘算法的类型　165
11.2　Spark MLlib简介　166
11.2.1　Spark MLlib的构成　166
11.2.2　Spark MLlib的优势　166
11.3　分类和预测　166
11.3.1　分类的基本概念　167
11.3.2　预测的基本概念　168
11.3.3　决策树算法　168
11.3.4　朴素贝叶斯算法　172
11.3.5　回归分析　175
11.3.6　小结　180
11.4　聚类分析　180
11.4.1　基本概念　180
11.4.2　聚类分析方法的类别　181
11.4.3　k-means聚类算法　184
11.4.4　DBSCAN聚类算法　187
11.4.5　小结　190
11.5　关联分析　191
11.5.1　概述　191
11.5.2　基本概念　191
11.5.3　关联分析步骤　192
11.5.4　Apriori关联分析算法　193
11.5.5　FP-Tree关联分析算法　194
11.5.6　小结　199
11.6　总结　200
习题　200
第五部分　大数据应用篇
第　12章 大数据应用　205
12.1　大数据功能应用　205
12.1.1　基于大数据的精准营销　205
12.1.2　基于大数据的个性化推荐　208
12.1.3　大数据预测　215
12.1.4　大数据的其他应用领域　219
12.1.5　小结　221
12.2　大数据行业应用　221
12.2.1　大数据行业应用概述　221
12.2.2　金融行业大数据　222
12.2.3　互联网行业的大数据应用　229
12.2.4　物流行业大数据应用　235
12.2.5　小结　242
12.3　总结　243
习题　243