大數(shù)據(jù)導論：思維、技術與應用

第 一部分 大數(shù)據(jù)基礎篇
第　1章 大數(shù)據(jù)思維　2
1．1　什么是大數(shù)據(jù)　2
1．2　從IT時代到大數(shù)據(jù)時代　4
1．3　大數(shù)據(jù)的產(chǎn)生與作用　5
1．3．1　大數(shù)據(jù)的產(chǎn)生　6
1．3．2　大數(shù)據(jù)的作用　6
1．4　大數(shù)據(jù)時代的新理念　7
1．4．1　對研究范式的新認識：從第三范式到第四范式　7
1．4．2　對數(shù)據(jù)重要性的新認識：從數(shù)據(jù)資源到數(shù)據(jù)資產(chǎn)　8
1．4．3　對方法論的新認識：從基于知識到基于數(shù)據(jù)　9
1．4．4　對數(shù)據(jù)分析的新認識：從統(tǒng)計學到數(shù)據(jù)科學　9
1．4．5　對計算智能的新認識：從復雜算法到簡單算法　10
1．4．6　對管理目標的新認識：從業(yè)務數(shù)據(jù)化到數(shù)據(jù)業(yè)務化　11
1．4．7　對決策方式的新認識：從目標驅動型到數(shù)據(jù)驅動型　12
1．4．8　對產(chǎn)業(yè)競合關系的新認識：從以戰(zhàn)略為中心到以數(shù)據(jù)為中心　12
1．4．9　對數(shù)據(jù)復雜性的新認識：從不接受到接受數(shù)據(jù)的復雜性　13
1．4．10　對數(shù)據(jù)處理模式的新認識：從小眾參與到大眾協(xié)同　14
1．5　總結　14
習題　14
第　2章 大數(shù)據(jù)技術概述　15
2．1　大數(shù)據(jù)處理的基本流程　15
2．1．1　數(shù)據(jù)抽取與集成　16
2．1．2　數(shù)據(jù)分析　16
2．1．3　數(shù)據(jù)解釋　16
2．2　大數(shù)據(jù)關鍵技術　17
2．2．1　大數(shù)據(jù)采集技術　17
2．2．2　大數(shù)據(jù)預處理技術　17
2．2．3　大數(shù)據(jù)存儲及管理技術　18
2．2．4　大數(shù)據(jù)處理　19
2．2．5　大數(shù)據(jù)分析及挖掘技術　19
2．2．6　大數(shù)據(jù)展示技術　20
2．3　總結　21
習題　21
第3章　大數(shù)據(jù)采集　22
3．1　大數(shù)據(jù)采集概述　22
3．1．1　大數(shù)據(jù)分類　22
3．1．2　大數(shù)據(jù)采集方法分類　23
3．2　系統(tǒng)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應用案例　26
3．3　網(wǎng)絡數(shù)據(jù)采集方法　27
3．3．1　網(wǎng)絡爬蟲原理　27
3．3．2　網(wǎng)絡爬蟲工作流程　28
3．3．3　網(wǎng)絡爬蟲抓取策略　28
3．3．4　Scrapy網(wǎng)絡爬蟲系統(tǒng)　32
3．3．5　小結　36
3．4　總結　36
習題　36
第4章　大數(shù)據(jù)預處理　37
4．1　大數(shù)據(jù)預處理概述　37
4．1．1　大數(shù)據(jù)預處理整體架構　37
4．1．2　數(shù)據(jù)質(zhì)量問題分類　38
4．1．3　大數(shù)據(jù)預處理方法　38
4．2　數(shù)據(jù)清洗　39
4．2．1　遺漏數(shù)據(jù)處理　40
4．2．2　噪聲數(shù)據(jù)處理　40
4．2．3　不一致數(shù)據(jù)處理　42
4．3　數(shù)據(jù)集成　42
4．4　數(shù)據(jù)轉換　42
4．5　數(shù)據(jù)消減　44
4．5．1　數(shù)據(jù)立方合計　44
4．5．2　維數(shù)消減　44
4．5．3　數(shù)據(jù)壓縮　45
4．5．4　數(shù)據(jù)塊消減　46
4．6　離散化和概念層次樹　48
4．6．1　數(shù)值概念層次樹　48
4．6．2　類別概念層次樹　49
4．7　ETL工具Kettle　50
4．7．1　ETL工具簡介　51
4．7．2　安裝Kettle　51
4．7．3　Kettle的數(shù)據(jù)流處理　52
4．8　總結　55
習題　56
第5章　大數(shù)據(jù)處理系統(tǒng)　57
5．1　大數(shù)據(jù)技術概述　57
5．1．1　分布式計算　57
5．1．2　服務器集群　57
5．1．3　大數(shù)據(jù)的技術基礎　57
5．2　Google大數(shù)據(jù)處理系統(tǒng)　58
5．2．1　GFS　58
5．2．2　MapReduce　60
5．2．3　BigTable　60
5．3　Hadoop大數(shù)據(jù)處理系統(tǒng)　61
5．3．1　Hadoop系統(tǒng)簡介　61
5．3．2　Hadoop生態(tài)圈　61
5．3．3　Hadoop版本演進　63
5．3．4　Hadoop發(fā)行版本　63
5．4　總結　64
習題　64
第二部分　大數(shù)據(jù)存儲篇
第6章　大數(shù)據(jù)文件系統(tǒng)HDFS　66
6．1　HDFS簡介　66
6．2　HDFS基本原理　66
6．2．1　文件系統(tǒng)的問題　67
6．2．2　HDFS的基本思想　67
6．2．3　HDFS的設計理念　68
6．2．4　HDFS的局限　69
6．3　HDFS系統(tǒng)實現(xiàn)　69
6．3．1　HDFS整體架構　69
6．3．2　HDFS數(shù)據(jù)復制　70
6．4　HDFS數(shù)據(jù)訪問機制　71
6．4．1　讀取流程　71
6．4．2　寫入流程　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　總結　78
習題　79
第7章　NOSQL數(shù)據(jù)庫HBASE　80
7．1　NoSQL概述　80
7．1．1　NoSQL的起因　80
7．1．2　NoSQL的特點　81
7．1．3　NoSQL數(shù)據(jù)庫面臨的挑戰(zhàn)　82
7．1．4　NoSQL的類型　82
7．2　HBase概述　86
7．3　HBase數(shù)據(jù)模型　87
7．3．1　數(shù)據(jù)模型概述　87
7．3．2　數(shù)據(jù)模型的基本概念　88
7．3．3　概念視圖　88
7．3．4　物理視圖　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表實例　93
7．5　HBase的運行機制　94
7．5．1　HBase的物理存儲　94
7．5．2　HBase的邏輯架構　95
7．6　HBase的編程　96
7．6．1　HBase的常用Java API　96
7．6．2　HBase編程實例　98
7．7　總結　101
習題　101
第三部分　大數(shù)據(jù)處理篇
第8章　大數(shù)據(jù)批處理 HADOOP MAPREDUCE　103
8．1　MapReduce概述　103
8．1．1　批處理模式　103
8．1．2　MapReduce簡釋　104
8．1．3　MapReduce基本思想　105
8．1．4　Map函數(shù)和Reduce函數(shù)　107
8．2　Hadoop MapReduce架構　109
8．3　Hadoop MapReduce的工作流程　110
8．4　實例分析：單詞計數(shù)　112
8．4．1　設計思路　112
8．4．2　處理過程　112
8．5　Hadoop MapReduce 的工作機制　113
8．5．1　Hadoop MapReduce作業(yè)執(zhí)行流程　114
8．5．2　Hadoop MapReduce的Shuffle階段　115
8．5．3　Hadoop MapReduce的主要特點　117
8．6　Hadoop MapReduce編程實戰(zhàn)　118
8．6．1　任務準備　118
8．6．2　編寫Map程序　118
8．6．3　編寫Reduce程序　119
8．6．4　編寫main函數(shù)　121
8．6．5　核心代碼包　121
8．6．6　運行代碼　122
8．7　總結　122
習題　122
第9章　大數(shù)據(jù)快速處理SPARK　124
9．1　Spark簡介　124
9．1．1　Spark與Hadoop　124
9．1．2　Spark的適用場景　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血緣關系　130
9．2．4　RDD依賴類型　130
9．2．5　階段劃分　131
9．2．6　RDD緩存　132
9．3　Spark運行架構和機制　133
9．3．1　Spark總體架構　133
9．3．2　Spark運行流程　134
9．4　Spark生態(tài)系統(tǒng)　135
9．5　Spark編程實踐　137
9．5．1　啟動Spark Shell　137
9．5．2　Spark Shell使用　137
9．5．3　編寫Java應用程序　138
9．6　總結　140
習題　140
第　10章 大數(shù)據(jù)實時流計算SPARK STREAMING　143
10．1　Spark Streaming簡介　143
10．2　Spark Streaming的系統(tǒng)架構　144
10．2．1　傳統(tǒng)流處理系統(tǒng)架構　144
10．2．2　Spark Streaming系統(tǒng)架構　145
10．2．3　動態(tài)負載均衡　146
10．2．4　容錯性　147
10．2．5　實時性、擴展性與吞吐量　148
10．3　編程模型　149
10．3．1　DStream的操作流程　149
10．3．2　Spark Streaming使用　149
10．3．3　DStream的輸入源　150
10．4　DStream的操作　151
10．4．1　普通的轉換操作　151
10．4．2　窗口轉換操作　153
10．4．3　輸出操作　154
10．4．4　持久化　155
10．5　編程實戰(zhàn)　155
10．5．1　流數(shù)據(jù)模擬器　155
10．5．2　實例1：讀取文件演示　156
10．5．3　實例2：網(wǎng)絡數(shù)據(jù)演示　157
10．5．4　實例3：Stateful演示　158
10．5．5　實例4：窗口演示　159
10．6　總結　160
習題　161
第四部分　大數(shù)據(jù)挖掘篇
第　11章 大數(shù)據(jù)挖掘 16311．1 數(shù)據(jù)挖掘概述　163
11．1．1　什么是數(shù)據(jù)挖掘　163
11．1．2　數(shù)據(jù)挖掘的價值類型　164
11．1．3　數(shù)據(jù)挖掘算法的類型　165
11．2　Spark MLlib簡介　166
11．2．1　Spark MLlib的構成　166
11．2．2　Spark MLlib的優(yōu)勢　166
11．3　分類和預測　166
11．3．1　分類的基本概念　167
11．3．2　預測的基本概念　168
11．3．3　決策樹算法　168
11．3．4　樸素貝葉斯算法　172
11．3．5　回歸分析　175
11．3．6　小結　180
11．4　聚類分析　180
11．4．1　基本概念　180
11．4．2　聚類分析方法的類別　181
11．4．3　k-means聚類算法　184
11．4．4　DBSCAN聚類算法　187
11．4．5　小結　190
11．5　關聯(lián)分析　191
11．5．1　概述　191
11．5．2　基本概念　191
11．5．3　關聯(lián)分析步驟　192
11．5．4　Apriori關聯(lián)分析算法　193
11．5．5　FP-Tree關聯(lián)分析算法　194
11．5．6　小結　199
11．6　總結　200
習題　200
第五部分　大數(shù)據(jù)應用篇
第　12章 大數(shù)據(jù)應用　205
12．1　大數(shù)據(jù)功能應用　205
12．1．1　基于大數(shù)據(jù)的精準營銷　205
12．1．2　基于大數(shù)據(jù)的個性化推薦　208
12．1．3　大數(shù)據(jù)預測　215
12．1．4　大數(shù)據(jù)的其他應用領域　219
12．1．5　小結　221
12．2　大數(shù)據(jù)行業(yè)應用　221
12．2．1　大數(shù)據(jù)行業(yè)應用概述　221
12．2．2　金融行業(yè)大數(shù)據(jù)　222
12．2．3　互聯(lián)網(wǎng)行業(yè)的大數(shù)據(jù)應用　229
12．2．4　物流行業(yè)大數(shù)據(jù)應用　235
12．2．5　小結　242
12．3　總結　243
習題　243