大数据技术体系详解：原理、架构与实践

本书站在大数据落地应用的角度，系统阐述大数据从数据收集，到数据存储、分布式协调及资源管理、计算引擎、分析工具，再到数据可视化这一完整流程，本书既包含主要技术的实现原理及其框架，也包含了具体落地指导，是帮助企业和个人整体了解大数据框架不可多得的参考书。本章主要包括6个部分共16章的内容，其中：第壹部分介绍了大数据体系架构，以及Google和Hadoop技术栈；第二部分介绍大数据分析相关技术，主要涉及关系型数据收集工具Sqoop与Canel、非关系型数据收集系统Flume以及分布式消息队列Kafka；第三部分介绍大数据存储相关技术，涉及数据存储格式、分布式文件系统以及分布式数据库；第四部分介绍资源管理和服务协调相关技术，涉及资源管理和调度系统YARN以及资源协调系统ZooKeeper；第五部分介绍计算引擎相关技术，涉及批处理、交互式处理以及流式实时处理三类引擎；第六部分数据分析相关技术，涉及基于数据分析语言HQL与SQL、大数据统一编程模型及机器学习库等。

目　　录?Contents
前　言
部分　概述篇
第1章　企业级大数据技术体系概述 2
1.1　大数据系统产生背景及应用场景 2
1.1.1　产生背景 2
1.1.2　常见大数据应用场景 3
1.2　企业级大数据技术框架 5
1.2.1　数据收集层 6
1.2.2　数据存储层 7
1.2.3　资源管理与服务协调层 7
1.2.4　计算引擎层 8
1.2.5　数据分析层 9
1.2.6　数据可视化层 9
1.3　企业级大数据技术实现方案 9
1.3.1　Google大数据技术栈 10
1.3.2　Hadoop与Spark开源大数据技术栈 12
1.4　大数据架构：Lambda Architecture 15
1.5　Hadoop与Spark版本选择及安装部署 16
1.5.1　Hadoop与Spark版本选择 16
1.5.2　Hadoop与Spark安装部署 17
1.6　小结 18
1.7　本章问题 18
第二部分　数据收集篇
第2章　关系型数据的收集 20
2.1　Sqoop概述 20
2.1.1　设计动机 20
2.1.2　Sqoop基本思想及特点 21
2.2　Sqoop基本架构 21
2.2.1　Sqoop1基本架构 22
2.2.2　Sqoop2基本架构 23
2.2.3　Sqoop1与Sqoop2对比 24
2.3　Sqoop使用方式 25
2.3.1　Sqoop1使用方式 25
2.3.2　Sqoop2使用方式 28
2.4　数据增量收集CDC 31
2.4.1　CDC动机与应用场景 31
2.4.2　CDC开源实现Canal 32
2.4.3　多机房数据同步系统Otter 33
2.5　小结 35
2.6　本章问题 35
第3章　非关系型数据的收集 36
3.1　概述 36
3.1.1　Flume设计动机 36
3.1.2　Flume基本思想及特点 37
3.2　Flume NG基本架构 38
3.2.1　Flume NG基本架构 38
3.2.2　Flume NG高级组件 41
3.3　Flume NG数据流拓扑构建方法 42
3.3.1　如何构建数据流拓扑 42
3.3.2　数据流拓扑实例剖析 46
3.4　小结 50
3.5　本章问题 50
第4章　分布式消息队列Kafka 51
4.1　概述 51
4.1.1　Kafka设计动机 51
4.1.2　Kafka特点 53
4.2　Kafka设计架构 53
4.2.1　Kafka基本架构 54
4.2.2　Kafka各组件详解 54
4.2.3　Kafka关键技术点 58
4.3　Kafka程序设计 60
4.3.1　Producer程序设计 61
4.3.2　Consumer程序设计 63
4.3.3　开源Producer与Consumer实现 65
4.4　Kafka典型应用场景 65
4.5　小结 67
4.6　本章问题 67
第三部分　数据存储篇
第5章　数据序列化与文件存储格式 70
5.1　数据序列化的意义 70
5.2　数据序列化方案 72
5.2.1　序列化框架Thrift 72
5.2.2　序列化框架Protobuf 74
5.2.3　序列化框架Avro 76
5.2.4　序列化框架对比 78
5.3　文件存储格式剖析 79
5.3.1　行存储与列存储 79
5.3.2　行式存储格式 80
5.3.3　列式存储格式ORC、Parquet与CarbonData 82
5.4　小结 88
5.5　本章问题 89
第6章　分布式文件系统 90
6.1　背景 90
6.2　文件级别和块级别的分布式文件系统 91
6.2.1　文件级别的分布式系统 91
6.2.2　块级别的分布式系统 92
6.3　HDFS基本架构 93
6.4　HDFS关键技术 94
6.4.1　容错性设计 95
6.4.2　副本放置策略 95
6.4.3　异构存储介质 96
6.4.4　集中式缓存管理 97
6.5　HDFS访问方式 98
6.5.1　HDFS shell 98
6.5.2　HDFS API 100
6.5.3　数据收集组件 101
6.5.4　计算引擎 102
6.6　小结 102
6.7　本章问题 103
第7章　分布式结构化存储系统 104
7.1　背景 104
7.2　HBase数据模型 105
7.2.1　逻辑数据模型 105
7.2.2　物理数据存储 107
7.3　HBase基本架构 108
7.3.1　HBase基本架构 108
7.3.2　HBase内部原理 110
7.4　HBase访问方式 114
7.4.1　HBase shell 114
7.4.2　HBase API 116
7.4.3　数据收集组件 118
7.4.4　计算引擎 119
7.4.5　Apache Phoenix 119
7.5　HBase应用案例 120
7.5.1　社交关系数据存储 120
7.5.2　时间序列数据库OpenTSDB 122
7.6　分布式列式存储系统Kudu 125
7.6.1　Kudu基本特点 125
7.6.2　Kudu数据模型与架构 126
7.6.3　HBase与Kudu对比 126
7.7　小结 127
7.8　本章问题 127
第四部分　分布式协调与资源管理篇
第8章　分布式协调服务ZooKeeper 130
8.1　分布式协调服务的存在意义 130
8.1.1　leader选举 130
8.1.2　负载均衡 131
8.2　ZooKeeper数据模型 132
8.3　ZooKeeper基本架构 133
8.4　ZooKeeper程序设计 134
8.4.1　ZooKeeper API 135
8.4.2　Apache Curator 139
8.5　ZooKeeper应用案例 142
8.5.1　leader选举 142
8.5.2　分布式队列 143
8.5.3　负载均衡 143
8.6　小结 144
8.7　本章问题 145
第9章　资源管理与调度系统YARN 146
9.1　YARN产生背景 146
9.1.1　MRv1局限性 146
9.1.2　YARN设计动机 147
9.2　YARN设计思想 148
9.3　YARN的基本架构与原理 149
9.3.1　YARN基本架构 149
9.3.2　YARN高可用 152
9.3.3　YARN工作流程 153
9.4　YARN资源调度器 155
9.4.1　层级队列管理机制 155
9.4.2　多租户资源调度器产生背景 156
9.4.3　Capacity/Fair Scheduler 157
9.4.4　基于节点标签的调度 160
9.4.5　资源抢占

前　　言为什么要写这本书随着大数据技术的普及，它已经被广泛应用于互联网、电信、金融、工业制造等诸多行业。据相关报告统计，大数据人才需求呈井喷态势，越来越多的程序员开始学习大数据技术，这使得它已经成为程序员所需的基本技能。
为了满足大数据人才市场需求，越来越多的大数据技术书籍不断面世，包括《Hadoop权威指南》《Hadoop实战》等。尽管如此，面向初、中级学者，能够系统化、体系化介绍大数据技术的基础书籍并不多见。笔者曾接触过大量大数据初学者，他们一直渴望能有一本简单且易于理解的教科书式的大数据书籍出现。为了满足这些读者的需求，笔者根据自己多年的数据项目和培训经验，继《Hadoop技术内幕》书籍之后，于两年前开始尝试编写一本浅显易读的大数据基础书籍。
相比于现有的大数据基础书籍，本书具有三大特色：①系统性：深度剖析大数据技术体系的六层架构；②技术性：详尽介绍Hadoop和Spark等主流大数据技术；③实用性：理论与实践相结合，探讨常见的大数据问题。本书尝试以“数据生命周期”为线索，按照分层结构逐步介绍大数据技术体系，涉及数据收集、数据存储、资源管理和服务协调、计算引擎及数据分析五层技术架构，由点及面，终通过综合案例将这些技术串接在一起。
读者对象（1）大数据应用开发人员本书用了相当大的篇幅介绍各个大数据系统的适用场景和使用方式，能够很好地帮助大数据应用开发工程师设计出满足要求的程序。
（2）大数据讲师和学员本书按照大数据五层架构，即数据收集→数据存储→资源管理与服务协调→计算引擎→数据分析，完整介绍了整个大数据技术体系，非常易于理解，此外，每节包含大量代码示例和思考题目，非常适合大数据教学。
（3）大数据运维工程师对于一名合格的大数据运维工程师而言，适当地了解大数据系统的应用场景、设计原理和架构是十分有帮助的，这不仅有助于我们更快地排除各种可能的大数据系统故障，也能够让运维人员与研发人员更有效地进行沟通。本书可以有效地帮助运维工程师全面理解当下主流的大数据技术体系。
（4）开源软件爱好者开源大数据系统（比如Hadoop和Spark）是开源软件中的佼佼者，它们在实现的过程中吸收了大量开源领域的优秀思想，同时也有很多值得学习的创新。通过阅读本书，这部分读者不仅能领略到开源软件的优秀思想，还可以学习如何构建一套完整的技术生态。
如何阅读本书本书以数据在大数据系统中的生命周期为线索，介绍以Hadoop与Spark为主的开源大数据技术栈。本书内容组织方式如下。
部分：主要介绍大数据体系架构，以及Google和Hadoop技术栈，让读者从高层次上对大数据技术有一定了解。
第二部分：介绍大数据分析相关技术，主要涉及关系型数据收集工具Sqoop与Canel、非关系型数据收集系统Flume，以及分布式消息队列Kafka。
第三部分：介绍大数据存储相关技术，涉及数据存储格式、分布式文件系统及分布式数据库三部分。
第四部分：介绍资源管理和服务协调相关技术，涉及资源管理和调度系统YARN，以及资源协调系统ZooKeeper。
第五部分：介绍计算引擎相关技术，包括批处理、交互式处理，以及流式实时处理三类引擎，内容涉及MapReduce、Spark、Impala/Presto、Storm等常用技术。
第六部分：介绍数据分析相关技术，涉及基于数据分析的语言HQL与SQL、大数据统一编程模型及机器学习库等。
大数据体系的逻辑也是本书的逻辑，故这里给出大数据体系逻辑图。
勘误和支持由于笔者的水平有限，编写时间仓促，书中难免会出现一些错误或者不准确的地方，恳请读者批评指正。为此，笔者特意创建了一个在线支持与应急方案的站点http://hadoop123.com和微信公众号hadoop-123。你可以将书中的错误发布在Bug勘误表页面。如果你遇到任何问题，也可以访问Q&A页面，我将尽量在线上为你提供满意的解答。如果你有更多宝贵的意见，也欢迎发送邮件至邮箱[email protected]，期待能够得到你们的真挚反馈。
获取源代码实例本书各节的源代码实例可从网站http://hadoop123.com或微信公众号hadoop-123中获取。
致谢感谢我的导师廖华明副研究员，是她引我进入大数据世界。
感谢机械工业出版社华章公司的孙海亮编辑对本书的校订，他的鼓励和帮助使我顺利完成了本书的编写工作。
后感谢我的父母，感谢他们的养育之恩，感谢兄长的鼓励和支持，感谢他们时时刻刻给我以信心和力量！
谨以此书献给我亲爱的家人，以及众多热爱大数据技术的朋友们！
董西成