Hadoop MapReduce實戰(zhàn)手冊

目錄
第1章 搭建Hadoop并在集群中運行 1
1.1 簡介 1
1.2 在你的機器上安裝Hadoop 2
1.3 寫WordCountMapReduce示例程序，打包并使用獨立的Hadoop運行它 3
1.4 給WordCount MapReduce程序增加combiner步驟 7
1.5 安裝HDFS 8
1.6 使用HDFS監(jiān)控UI 11
1.7 HDFS的基本命令行文件操作 12
1.8 在分布式集群環(huán)境中設(shè)置Hadoop 14
1.9 在分布式集群環(huán)境中運行WordCount程序 18
1.10 使用MapReduce監(jiān)控UI 20
第2章 HDFS進階 21
2.1 簡介 21
2.2 HDFS基準測試 22
2.3 添加一個新的DataNode 23
2.4 DataNode下架 25
2.5 使用多個磁盤/卷以及限制HDFS的磁盤使用情況 26
2.6 設(shè)置HDFS塊大小 27
2.7 設(shè)置文件冗余因子 28
2.8 使用HDFS的Java API 29
2.9 使用HDFS的C API（libhdfs） 33
2.10 掛載HDFS（Fuse-DFS） 36
2.11 在HDFS中合并文件 38
第3章 高級Hadoop MapReduce運維 40
3.1 簡介 40
3.2 調(diào)優(yōu)集群部署的Hadoop配置 40
3.3 運行基準測試來驗證Hadoop的安裝 43
3.4 復(fù)用Java虛擬機以提高性能 44
3.5 容錯和推測執(zhí)行 45
3.6 調(diào)試腳本—分析任務(wù)失敗 46
3.7 設(shè)置失敗百分比以及跳過不良記錄 48
3.8 共享用戶的Hadoop集群—使用公平調(diào)度器和其他調(diào)度器 50
3.9 Hadoop的安全性——整合使用Kerberos 51
3.10 使用Hadoop的工具接口 56
第4章 開發(fā)復(fù)雜的Hadoop MapReduce應(yīng)用程序 59
4.1 簡介 59
4.2 選擇合適的Hadoop數(shù)據(jù)類型 60
4.3 實現(xiàn)自定義的Hadoop Writable數(shù)據(jù)類型 62
4.4 實現(xiàn)自定義Hadoop key類型 65
4.5 從mapper中輸出不同值類型的數(shù)據(jù) 68
4.6 為輸入數(shù)據(jù)格式選擇合適的Hadoop InputFormat 70
4.7 添加新的輸入數(shù)據(jù)格式的支持—實現(xiàn)自定義的InputFormat 73
4.8 格式化MapReduce計算的結(jié)果—使用Hadoop的OutputFormat 76
4.9 Hadoop的中間（map到reduce）數(shù)據(jù)分區(qū) 78
4.10 將共享資源傳播和分發(fā)到MapReduce作業(yè)的任務(wù)中—Hadoop DistributedCache 80
4.11 在Hadoop上使用傳統(tǒng)應(yīng)用程序—Hadoop Streaming 84
4.12 添加MapReduce作業(yè)之間的依賴關(guān)系 86
4.13 用于報告自定義指標的Hadoop計數(shù)器 88
第5章 Hadoop生態(tài)系統(tǒng) 90
5.1 簡介 90
5.2 安裝HBase 91
5.3 使用Java客戶端API隨機存取數(shù)據(jù) 93
5.4 基于HBase（表輸入/輸出）運行MapReduce作業(yè) 95
5.5 安裝Pig 98
5.6 運行第一條Pig命令 99
5.7 使用Pig執(zhí)行集合操作（join，union）與排序 100
5.8 安裝Hive 102
5.9 使用Hive運行SQL風(fēng)格的查詢 103
5.10 使用Hive執(zhí)行join 105
5.11 安裝Mahout 107
5.12 使用Mahout運行K-means 108
5.13 可視化K-means結(jié)果 110
第6章 分析 112
6.1 簡介 112
6.2 使用MapReduce的簡單分析 113
6.3 使用MapReduce執(zhí)行Group-By 116
6.4 使用MapReduce計算頻率分布和排序 119
6.5 使用GNU Plot繪制Hadoop計算結(jié)果 121
6.6 使用MapReduce計算直方圖 123
6.7 使用MapReduce計算散點圖 126
6.8 用Hadoop解析復(fù)雜的數(shù)據(jù)集 129
6.9 使用MapReduce連接兩個數(shù)據(jù)集 133
第7章 搜索和索引 139
7.1 簡介 139
7.2 使用Hadoop MapReduce生成倒排索引 140
7.3 使用ApacheNutch構(gòu)建域內(nèi)網(wǎng)絡(luò)爬蟲 143
7.4 使用Apache Solr索引和搜索網(wǎng)絡(luò)文檔 147
7.5 配置Apache HBase作為ApacheNutch的后端數(shù)據(jù)存儲 149
7.6 在Hadoop集群上部署Apache HBase 151
7.7 使用Hadoop/HBase集群構(gòu)建Apache Nutch全網(wǎng)爬蟲服務(wù) 153
7.8 用于索引和搜索的ElasticSearch 156
7.9 生成抓取網(wǎng)頁的內(nèi)鏈圖 158
第8章 聚類、推薦和關(guān)系發(fā)現(xiàn) 161
8.1 簡介 161
8.2 基于內(nèi)容的推薦 162
8.3 層次聚類 167
8.4 對亞馬遜銷售數(shù)據(jù)集進行聚類操作 170
8.5 基于協(xié)同過濾的推薦 173
8.6 使用樸素貝葉斯分類器的分類 176
8.7 使用Adwords平衡算法給廣告分配關(guān)鍵字 181
第9章 海量文本數(shù)據(jù)處理 189
9.1 簡介 189
9.2 使用Hadoop Streaming和Python預(yù)處理數(shù)據(jù)（抽取、清洗和格式轉(zhuǎn)換） 190
9.3 使用Hadoop Streaming進行數(shù)據(jù)去重 192
9.4 使用importtsv和批量加載工具把大型數(shù)據(jù)集加載到ApacheHBase
數(shù)據(jù)存儲中 194
9.5 創(chuàng)建用于文本數(shù)據(jù)的TF向量和TF-IDF向量 198
9.6 聚類文本數(shù)據(jù) 201
9.7 使用隱含狄利克雷分布（LDA）發(fā)現(xiàn)主題 203
9.8 使用Mahout的樸素貝葉斯分類器分類文件 206
第10章 云端部署——在云上使用Hadoop 208
10.1 簡介 208
10.2 使用亞馬遜彈性MapReduce運行Hadoop MapReduce計算 209
10.3 使用亞馬遜EC2競價實例來執(zhí)行EMR作業(yè)流以節(jié)約開支 212
10.4 使用EMR執(zhí)行Pig腳本 213
10.5 使用EMR執(zhí)行Hive腳本 216
10.6 使用命令行界面創(chuàng)建亞馬遜EMR作業(yè)流 219
10.7 使用EMR在亞馬遜EC2云上部署Apache HBase集群 222
10.8 使用EMR引導(dǎo)操作來配置亞馬遜EMR作業(yè)的虛擬機 226
10.9 使用Apache Whirr在云環(huán)境中部署Apache Hadoop集群 228
10.10 使用Apache Whirr在云環(huán)境中部署Apache HBase集群 231