前言　　ix
第一部分　分布式计算入门
第1章　数据产品时代　　2
1.1　什么是数据产品　　2
1.2　使用Hadoop构建大规模数据产品　　4
1.2.1　利用大型数据集　　4
1.2.2　数据产品中的Hadoop　　5
1.3　数据科学流水线和Hadoop生态系统　　6
1.4　小结　　8
第2章　大数据操作系统　　9
2.1　基本概念　　10
2.2　Hadoop架构　　11
2.2.1　Hadoop集群　　12
2.2.2　HDFS　　14
2.2.3　YARN　　15
2.3　使用分布式文件系统　　16
2.3.1　基本的文件系统操作　　16
2.3.2　HDFS文件权限　　18
2.3.3　其他HDFS接口　　19
2.4　使用分布式计算　　20
2.4.1　MapReduce：函数式编程模型　　20
2.4.2　MapReduce：集群上的实现　　22
2.4.3　不止一个MapReduce：作业链　　27
2.5　向YARN 提交MapReduce 作业　　28
2.6　小结　　30
第3章　Python 框架和Hadoop Streaming　　31
3.1　Hadoop Streaming　　32
3.1.1　使用Streaming在CSV 数据上运行计算　　34
3.1.2　执行Streaming作业　　38
3.2　Python 的MapReduce框架　　39
3.2.1　短语计数　　42
3.2.2　其他框架　　45
3.3　MapReduce进阶　　46
3.3.1　combiner　　46
3.3.2　partitioner　　47
3.3.3　作业链　　47
3.4　小结　　50
第4章　Spark内存计算　　52
4.1　Spark基础　　53
4.1.1　Spark栈　　54
4.1.2　RDD　　55
4.1.3　使用RDD 编程　　56
4.2　基于PySpark的交互性Spark　　59
4.3　编写Spark应用程序　　61
4.4　小结　　67
第5章　分布式分析和模式　　69
5.1　键计算　　70
5.1.1　复合键　　71
5.1.2　键空间模式　　74
5.1.3　pair与stripe　　78
5.2　设计模式　　80
5.2.1　概要　　81
5.2.2　索引　　85
5.2.3　过滤　　90
5.3　迈向最后一英里分析　　95
5.3.1　模型拟合　　96
5.3.2　模型验证　　97
5.4　小结　　98
第二部分　大数据科学的工作流和工具
第6章　数据挖掘和数据仓　　102
6.1　Hive 结构化数据查询　　103
6.1.1　Hive 命令行接口（CLI）　　103
6.1.2　Hive 查询语言　　104
6.1.3　Hive 数据分析　　108
6.2　HBase　　113
6.2.1　NoSQL 与列式数据库　　114
6.2.2　HBase 实时分析　　116
6.3　小结　　122
第7章　数据采集　　123
7.1　使用Sqoop 导入关系数据　　124
7.1.1　从MySQL 导入HDFS　　124
7.1.2　从MySQL 导入Hive　　126
7.1.3　从MySQL 导入HBase　　128
7.2　使用Flume 获取流式数据　　130
7.2.1　Flume 数据流　　130
7.2.2　使用Flume 获取产品印象数据　　133
7.3　小结　　136
第8章　使用高级API 进行分析　　137
8.1　Pig　　137
8.1.1　Pig Latin　　138
8.1.2　数据类型　　142
8.1.3　关系运算符　　142
8.1.4　用户定义函数　　143
8.1.5　Pig 小结　　144
8.2　Spark 高级API　　144
8.2.1　Spark SQL　　146
8.2.2　DataFrame　　148
8.3　小结　　153
第9章　机器学习　　154
9.1　使用Spark 进行可扩展的机器学习　　154
9.1.1　协同过滤　　156
9.1.2　分类　　161
9.1.3　聚类　　163
9.2　小结　　166
第10章　总结：分布式数据科学实战　　167
10.1　数据产品生命周期　　168
10.1.1　数据湖泊　　169
10.1.2　数据采集　　171
10.1.3　计算数据存储　　172
10.2　机器学习生命周期　　173
10.3　小结　　175
附录A　创建Hadoop 伪分布式开发环境　　176
附录B　安装Hadoop 生态系统产品　　184
术语表　　193
关于作者　　211
关于封面　　211