第 1章　大数据概述　　1
1.1　大数据的发展　1
1.2　大数据的概念及特征　2
1.2.1　大数据的概念　2
1.2.2　大数据的特征　2
1.3　大数据的产生及数据类型　3
1.3.1　大数据的产生　3
1.3.2　数据类型　3
1.4　大数据计算模式和系统　4
1.5　大数据的主要技术层面和技术内容　4
1.6　大数据的典型应用　6
1.7　本章小结　7
第 2章　数据获取　8
2.1　Scrapy环境搭建　8
2.2　爬虫项目创建　8
2.3　采集目标数据项定义　10
2.4　爬虫核心实现　11
2.5　数据存储　15
2.6　爬虫运行　17
2.7　本章小结　18
第3章　Hadoop基础　19
3.1　Hadoop概述　19
3.2　Hadoop原理　20
3.2.1　Hadoop HDFS原理　20
3.2.2　Hadoop MapReduce原理　21
3.2.3　Hadoop YARN原理　22
3.3　Hadoop的安装与配置　24
3.4　Hadoop生态系统简介　46
3.5　本章小结　47
第4章　HDFS基本应用　48
4.1　实战命令行接口　48
4.2　实战Java接口　52
4.3　数据流　60
4.3.1　数据流简介　60
4.3.2　数据流读取　61
4.3.3　数据流写入　62
4.4　本章小结　64
第5章　MapReduce应用开发　65
5.1　配置Hadoop MapReduce开发环境　65
5.1.1　系统环境及所需文件　65
5.1.2　安装Eclipse　65
5.1.3　向Eclipse中添加插件　66
5.2　编写和运行第 一个MapReduce程序前的准备　69
5.2.1　系统环境及所需要的文件　69
5.2.2　建立运行MapReduce程序的依赖环境　69
5.2.3　建立编写MapReduce程序的依赖包　70
5.3　MapReduce应用案例　78
5.3.1　单词计数　78
5.3.2　数据去重　82
5.3.3　排序　85
5.3.4　单表关联　89
5.3.5　多表关联　95
5.4　本章小结　102
第6章　分布式数据库HBase　103
6.1　HBase简介　103
6.2　HBase接口　103
6.3　安装HBase集群　104
6.3.1　系统环境　104
6.3.2　安装ZooKeeper　104
6.3.3　安装HBase　106
6.4　HBase Shell　108
6.5　HBase API　110
6.6　HBase综合实例　113
6.7　本章小结　118
第7章　数据仓库工具Hive　119
7.1　Hive简介　119
7.2　Hive接口实战　119
7.3　Hive复杂语句实战　124
7.4　Hive综合实例　127
7.4.1　准备数据　127
7.4.2　在Hive上创建数据库和表　128
7.4.3　导入数据　129
7.4.4　算法分析与执行HQL语句　130
7.4.5　运行结果分析　131
7.5　本章小结　132
第8章　开源集群计算环境Spark　133
8.1　Spark简介　133
8.2　Spark接口实战　133
8.2.1　环境要求　133
8.2.2　IDEA使用和打包　134
8.3　Spark编程的RDD　137
8.3.1　RDD　137
8.3.2　创建RDD　138
8.3.3　RDD中与Map和Reduce相关的API　138
8.4　Spark实战案例——统计1000万人口的平均年龄　141
8.4.1　案例描述　141
8.4.2　案例分析　143
8.4.3　编程实现　143
8.4.4　提交到集群运行　144
8.4.5　监控执行状态　144
8.5　Spark MLlib实战——聚类实战　145
8.5.1　算法说明　145
8.5.2　实例介绍　145
8.5.3　测试数据说明　146
8.5.4　程序源码　146
8.5.5　运行脚本　148
8.6　本章小结　150
第9章　流实时处理系统Storm　152
9.1　Storm概述　152
9.1.1　Storm简介　152
9.1.2　Storm主要特点　152
9.2　Storm安装与配置　153
9.3　本章小结　160
第 10章　企业级、大数据流处理 Apex　161
10.1　Apache Apex简介　161
10.2　Apache Apex开发环境配置　161
10.2.1　部署开发工具　161
10.2.2　安装Apex组件　162
10.2.3　创建Top N Words应用　164
10.3　运行TopN Words应用　166
10.3.1　开启Apex客户端　166
10.3.2　执行　166
10.4　本章小结　167
第 11章　事件流OLAP之Druid　168
11.1　Druid简介　168
11.2　Druid应用场所　168
11.3　Druid集群　169
11.4　Druid单机环境　170
11.4.1　安装Druid　170
11.4.2　安装ZooKeeper　170
11.4.3　启动Druid服务　171
11.4.4　批量加载数据　172
11.4.5　加载流数据　175
11.4.6　数据查询　177
11.5　本章小结　180
第 12章　事件数据流引擎Flink　181
12.1　Flink概述　181
12.2　Flink基本架构　181
12.3　单机安装Flink　182
12.4　Flink运行第 一个例子　184
12.5　Flink集群部署　187
12.5.1　环境准备　187
12.5.2　安装和配置　187
12.5.3　启动Flink集群　188
12.5.4　集群中添加JobManager/TaskManager　189
12.6　本章小结　189
第 13章　分布式文件搜索 Elasticsearch　190
13.1　Elasticsearch简介　190
13.2　Elasticsearch单节点安装　192
13.3　插件Elasticsearch-head安装　193
13.4　Elasticsearch的基本操作　195
13.5　综合实战　199
13.6　本章小结　202
第 14章　实例电商数据分析　203
14.1　背景与挖掘目标　203
14.2　分析方法与过程　203
14.2.1　数据收集　203
14.2.2　数据预处理　206
14.2.3　导入数据到Hadoop　206
14.2.4　数据取样分析　209
14.3　本章小结　211
参考文献　212