作者简介

Boris Lublinsky是诺基亚的一名资深架构师，他在诺基亚积极参与了无数聚焦于技术架构、面向服务架构(Service-Oriented Architecture，SOA)和集成项目等企业级应用的所有阶段。他也是诺基亚架构委员会的一名活跃会员。Boris是多家行业杂志中80多篇出版物的作者，同时也是Service-Oriented Architecture and Design Strategies (Indianapolis: Wiley, 2008)一书的合著者。此外，他是InfoQ在SOA和大数据领域的一名编辑，并经常在行业会议上演讲。在过去的两年里，他参与了多个基于Hadoop和Amazon Web Services (AWS)应用的设计和实现。他现在是芝加哥地区Hadoop用户组的活跃成员、工作组织者和撰稿人。 Kevin T. Smith是Novetta Solutions公司应用事业解决方案(ASM)部门的技术解决方案和推广总监，他提供策略性的技术领导并为客户开发创新性的、聚焦于数据的、高度安全的解决方案。他经常在技术会议上演讲，是无数Web服务、云计算、大数据和网络安全相关技术文章的作者。他撰写了很多技术书籍，包括Applied SOA: Service-Oriented Architecture and Design Strategies (Indianapolis: Wiley, 2008)、The Semantic Web: A Guide to the Future of XML, Web Services, and Knowledge Management (Indianapolis: Wiley, 2003)、Professional Portal Development with Open Source Tools (Indianapolis: Wiley, 2004)、More Java Pitfalls (Indianapolis: Wiley, 2003)以及其他书籍。 Alexey Yakubovich是Hortonworks的一名系统架构师。他在Hadoop/Big Data环境中为不同的公司和项目工作了5年：PB量级存储、流程自动化、自然语言处理(Natural Language Processing，NLP)、来自移动设备的数据流的数据科学和社交媒体。更早些时候，他工作于SOA、Java 2企业版(J2EE)、分布式应用和代码生成等技术领域。他通过解决Hilbert第一问题的最后部分获得了数学博士学位。他是MDA OMG工作组的一名成员，并参与和出席美国芝加哥地区的Hadoop用户组。

内容简介

如果你已经准备好要充分实施大规模可扩展性数据分析工作，那么需要知道如何利用Hadoop技术。这本《Hadoop高级编程——构建与实现大数据解决方案》可以帮助你做到这一点！本书关注用于构建先进的、基于Hadoop的企业级应用的架构和方案，并为实现现实的解决方案提供深入的、代码级的讲解。《Hadoop高级编程——构建与实现大数据解决方案》还会带你领略数据设计以及数据设计如何影响实现。本书解释了MapReduce的工作原理，并展示了如何在MapReduce中重新定制特定的业务问题。在整本书中，你将会发现深入的Java代码示例，这些代码示例可以直接使用，它们均源自于已经成功地构建和部署的应用程序。

目录

《Hadoop高级编程——构建与实现大数据解决方案》 第1章 大数据和Hadoop生态系统 1 1.1 当大数据遇见Hadoop 2 1.1.1 Hadoop：直面大数据的挑战 3 1.1.2 商业世界中的数据科学 4 1.2 Hadoop生态系统 6 1.3 Hadoop核心组件 7 1.4 Hadoop发行版 9 1.5 使用Hadoop开发企业级应用 10 1.6 小结 14 第2章 Hadoop数据存储 15 2.1 HDFS 15 2.1.1 HDFS架构 15 2.1.2 使用HDFS文件 19 2.1.3 Hadoop特定的文件类型 21 2.1.4 HDFS联盟和高可用性 26 2.2 HBase 28 2.2.1 HBase架构 28 2.2.2 HBase结构设计 34 2.2.3 HBase编程 35 2.2.4 HBase新特性 42 2.3 将HDFS和HBase的组合用于高效数据存储 45 2.4 使用Apache Avro 45 2.5 利用HCatalog管理元数据 49 2.6 为应用程序选择合适的Hadoop数据组织形式 51 2.7 小结 53 第3章 使用MapReduce处理数据 55 3.1 了解MapReduce 55 3.1.1 MapReduce执行管道 56 3.1.2 MapReduce中的运行时协调和任务管理 59 3.2 第一个MapReduce应用程序 61 3.3 设计MapReduce实现 69 3.3.1 将MapReduce用作并行处理框架 70 3.3.2 使用MapReduce进行简单的数据处理 71 3.3.3 使用MapReduce构建连接 72 3.3.4 构建迭代式MapReduce应用程序 77 3.3.5 是否使用MapReduce 82 3.3.6 常见的MapReduce设计陷阱 83 3.4 小结 84 第4章 自定义MapReduce执行 85 4.1 使用InputFormat控制MapReduce执行 85 4.1.1 为计算密集型应用程序实现InputFormat 87 4.1.2 实现InputFormat以控制Map的数量 93 4.1.3 实现用于多个HBase表的InputFormat 99 4.2 使用自定义RecordReader以自己的方式读取数据 102 4.2.1 实现基于队列的RecordReader 102 4.2.2 为XML数据实现RecordReader 105 4.3 使用自定义输出格式组织输出数据 109 4.4 使用自定义记录写入器以自己的方式写入数据 119 4.5 使用组合器优化MapReduce执行 121 4.6 使用分区器控制Reducer执行 124 4.7 在Hadoop中使用非Java代码 128 4.7.1 Pipes 128 4.7.2 Hadoop Streaming 128 4.7.3 使用JNI 129 4.8 小结 131 第5章 构建可靠的MapReduce应用程序 133 5.1 单元测试MapReduce应用程序 133 5.1.1 测试Mapper 136 5.1.2 测试Reducer 137 5.1.3 集成测试 138 5.2 使用Eclipse进行本地应用程序测试 139 5.3 将日志用于Hadoop测试 141 5.4 使用作业计数器报告指标 146 5.5 MapReduce中的防御性编程 149 5.6 小结 151 第6章 使用Oozie自动化数据处理 153 6.1 认识Oozie 154 6.2 Oozie Workflow 155 6.2.1 在Oozie Workflow中执行异步操作 159 6.2.2 Oozie的恢复能力 164 6.2.3 Oozie Workflow作业的生命周期 164 6.3 Oozie Coordinator 165 6.4 Oozie Bundle 170 6.5 用表达式语言对Oozie进行参数化 174 6.5.1 Workflow函数 175 6.5.2 Coordinator函数 175 6.5.3 Bundle函数 175 6.5.4 其他EL函数 175 6.6 Oozie作业执行模型 176 6.7 访问Oozie 179 6.8 Oozie SLA 180 6.9 小结 185 第7章 使用Oozie 187 7.1 使用探测包验证位置相关信息的正确性 187 7.2 设计基于探测包的地点正确性验证 188 7.3 设计Oozie Workflow 190 7.4 实现Oozie Workflow应用程序 193 7.4.1 实现数据准备Workflow 193 7.4.2 实现考勤指数和聚类探测包串Workflow 201 7.5 实现 Workflow行为 203 7.5.1 发布来自java动作的执行上下文 204 7.5.2 在Oozie Workflow中使用MapReduce作业 204 7.6 实现Oozie Coordinator应用程序 207 7.7 实现Oozie Bundle应用程序 212 7.8 部署、测试和执行Oozie应用程序 213 7.8.1 部署Oozie应用程序 213 7.8.2 使用Oozie CLI执行Oozie应用程序 215 7.8.3 向Oozie作业传递参数 218 7.9 使用Oozie控制台获取Oozie应用程序信息 221 7.9.1 了解Oozie控制台界面 221 7.9.2 获取 Coordinator作业信息 225 7.10 小结 227 第8章 高级Oozie特性 229 8.1 构建自定义Oozie Workflow动作 230 8.1.1 实现自定义Oozie Workflow动作 230 8.1.2 部署Oozie自定义Workflow动作 235 8.2 向Oozie Workflow添加动态执行 237 8.2.1 总体实现方法 237 8.2.2 一个机器学习模型、参数和算法 240 8.2.3 为迭代过程定义Workflow 241 8.2.4 动态Workflow生成 244 8.3 使用Oozie Java API 247 8.4 在Oozie应用中使用uber jar包 251 8.5 数据吸收传送器 256 8.6 小结 263 第9章 实时Hadoop 265 9.1 现实世界中的实时应用 266 9.2 使用HBase来实现实时应用 266 9.2.1 将HBase用作图片管理系统 268 9.2.2 将HBase用作Lucene后端 275 9.3 使用专门的实时Hadoop查询系统 295 9.3.1 Apache Drill 296 9.3.2 Impala 298 9.3.3 实时查询和MapReduce的对比 299 9.4 使用基于Hadoop的事件处理系统 300 9.4.1 HFlame 301 9.4.2 Storm 302 9.4.3 事件处理和MapReduce的对比 305 9.5 小结 305 第10章 Hadoop安全 307 10.1 简要的历史：理解Hadoop安全的挑战 308 10.2 认证 309 10.2.1 Kerberos认证 310 10.2.2 委派安全凭据 318 10.3 授权 323 10.3.1 HDFS文件访问权限 323 10.3.2 服务级授权 327 10.3.3 作业授权 329 10.4 Oozie认证和授权 329 10.5 网络加密 331 10.6 使用Rhino项目增强安全性 332 10.6.1 HDFS磁盘级加密 333 10.6.2 基于令牌的认证和统一的授权框架 333 10.6.3 HBase单元格级安全 334 10.7 将所有内容整合起来——保证Hadoop安全的最佳实践 334 10.7.1 认证 335 10.7.2 授权 335 10.7.3 网络加密 336 10.7.4 敬请关注Hadoop的增强功能 336 10.8 小结 336 第11章 在AWS上运行Hadoop应用 337 11.1 初识AWS 338 11.2 在AWS上运行Hadoop的可选项 339 11.2.1 使用EC2实例的自定义安装 339 11.2.2 弹性MapReduce 339 11.2.3 做出选择前的额外考虑 339 11.3 理解EMR-Hadoop的关系 340 11.3.1 EMR架构 341 11.3.2 使用S3存储 343 11.3.3 最大化EMR的使用 343 11.3.4 利用CloudWatch和其他AWS组件 345 11.3.5 访问和使用EMR 346 11.4 使用AWS S3 351 11.4.1 理解桶的使用 352 11.4.2 使用控制台浏览内容 354 11.4.3 在S3中编程访问文件 355 11.4.4 使用MapReduce上传多个文件到S3 365 11.5 自动化EMR作业流创建和作业执行 367 11.6 管理EMR中的作业执行 372 11.6.1 在EMR集群上使用Oozie 372 11.6.2 AWS 简单工作流 374 11.6.3 AWS数据管道 375 11.7 小结 376 第12章 为Hadoop实现构建企业级安全解决方案 377 12.1 企业级应用的安全顾虑 378 12.1.1 认证 380 12.1.2 授权 380 12.1.3 保密性 380 12.1.4 完整性 381 12.1.5 审计 381 12.2 Hadoop安全没有为企业级应用原生地提供哪些机制 381 12.2.1 面向数据的访问控制 382 12.2.2 差分隐私 382 12.2.3 加密静止的数据 383 12.2.4 企业级安全集成 384 12.3 保证使用Hadoop的企业级应用安全的方法 384 12.3.1 使用Accumulo进行访问控制保护 385 12.3.2 加密静止数据 394 12.3.3 网络隔离和分隔方案 395 12.4 小结 397 第3章 Hadoop的未来 399 13.1 使用DSL简化MapReduce编程 400 13.1.1 什么是DSL 400 13.1.2 Hadoop的DSL 401 13.2 更快、更可扩展的数据处理 412 13.2.1 Apache YARN 412 13.2.2 Tez 414 13.3 安全性的改进 415 13.4 正在出现的趋势 415 13.5 小结 416