隨著社交網絡、網絡分析和智能型電子商務的興起，傳統的數據庫系統顯然已無法滿足海量數據的管理需求。 作為一種新的處理模式，大數據系統應運而生，它使用多臺機器并行工作，能夠對海量數據進行存儲、處理、分析，進而幫助用戶從中提取對優化流程、實現高增長率的有用信息，做更為精準有效的決策。 但不可忽略的是，它也引入了大多數開發者并不熟悉的、困擾傳統架構的復雜性問題。
本書將教你充分利用集群硬件優勢的Lambda架構，以及專門用來捕獲和分析網絡規模數據的新工具，來創建這些系統。它將描述一個可擴展的、易于理解大數據系統的方法——可以由小團隊構建并運行。本書共18章，除了介紹基本概念，其他章節采用“理論+示例”的方式來闡釋相關概念，并使用現實世界中的工具加以論證。其中，第1章介紹了數據系統的原理，給出了Lambda架構的概述，并概述了構建任何數據系統的廣義方法。第2～9章集中闡述Lambda架構的批處理層。第10章和第11章集中闡述服務層，讓讀者了解只批量寫入的特定數據庫——這些數據庫比傳統數據庫更簡單，它們具有出色的性能，并具備可操作性、穩健性等特點。第12～17章集中闡述速度層，讓讀者更明確地了解NoSQL數據庫、流處理和管理增量計算的復雜性。 第18章通過綜合回顧Lambda架構的相關知識，幫助讀者了解增量批處理、基本Lambda架構的變種，以及如何充分利用資源。
近年來，互聯網技術發展迅猛，從電子交易記錄、社交網絡數據分析到地震分析、分子建模，各行各業應用大數據系統的范圍日益拓寬，所涉及的數據量日益“臃腫”，對處理速度的要求也日益提高，這就需要用基于硬件集群構建的架構進行存儲和處理。但這種架構在提供便利的同時，也引入了大多數開發者并不熟悉的、困擾傳統架構的復雜性問題。
本書教你使用一種專門設計用來獲取和分析網絡規模數據的架構去構建大數據系統——Lambda架構，它是一種可擴展的、易于理解的、可以被小團隊用來構建和運行大數據系統的方法。除了與你分享Lambda架構的相關知識，本書還給出了相應的示例，將“理論應用于實踐”，助你更好地“認識”Lambda架構，更好地將其應用到工作中。
作者簡介
Nathan Marz Cascalog和Storm的創始人。在2011年Twitter收購社交媒體數據分析公司BackType前，他是BackType首席工程師。在Twitter，他建立了流計算團隊，提供和開發共享基礎設施，為整個公司的關鍵實時應用提供支持。他目前是Stealth startup的創始人。
James Warren Storm8的分析架構師，精通大數據處理、機器學習和科學計算。
譯者簡介
馬延輝，資深Hadoop技術專家，對Hadoop生態系統相關技術有著深刻的理解，在Hadoop開發和運維方面積累了豐富的經驗。曾就職于阿里、Answers.com、暴風等互聯網公司，從事Hadoop相關的研發和運維工作，對大數據技術的企業級落地、研發、運維和管理有著深刻的理解和豐富的實戰經驗。開源HBase監控工具Ella作者。現在致力于大數據技術在傳統行業的落地和大數據技術的普及和推廣。
向磊，前暴風影音數據平臺架構師，目前在某垂直電商平臺擔任技術總監，惠普中國Hadoop相關課程講師。開源項目EasyHadoop、phpHiveAdmin作者，對Hadoop及其周邊生態系統的底層運維及開發、集群自動化運維、網絡架構設計、集群安全、性能優化、嵌入式編程方面有較深入了解。
魏東琦，博士，長期從事軟件研發工作，現就職于中國地質調查局西安地質調查中心，參加、承擔過多項科研項目。現致力于地質行業與大數據技術融合的相關研究工作。
譯 者 序
前 言
關于本書
致 謝
第1章 大數據的新范式1
1.1 本書是如何組織的2
1.2 擴展傳統數據庫3
1.2.1 用隊列擴展3
1.2.2 通過數據庫分片進行擴展4
1.2.3 開始處理容錯問題4
1.2.4 損壞問題5
1.2.5 到底是哪里出錯了5
1.2.6 大數據技術是如何起到幫助作用的5
1.3 NoSQL不是萬能的6
1.4 基本原理6
1.5 大數據系統應有的屬性7
1.5.1 魯棒性和容錯性7
1.5.2 低延遲讀取和更新8
1.5.3 可擴展性8
1.5.4 通用性8
1.5.5 延展性8
1.5.6 即席查詢9
1.5.7 最少維護9
1.5.8 可調試性9
1.6 全增量架構的問題10
1.6.1 操作復雜性10
1.6.2 實現最終一致性的極端復雜性11
1.6.3 缺乏容忍人為錯誤12
1.6.4 全增量架構解決方案與 Lambda架構解決方案13
1.7 Lambda架構14
1.7.1 批處理層15
1.7.2 服務層16
1.7.3 批處理層和服務層滿足幾乎所有屬性16
1.7.4 速度層17
1.8 技術上的最新趨勢19
1.8.1 CPU并不是越來越快20
1.8.2 彈性云20
1.8.3 大數據充滿活力的開源生態系統20
1.9 示例應用：SuperWebAnalytics.com21
1.10 總結22
第一部分 批處理層
第2章 大數據的數據模型24
2.1 數據的屬性25
2.1.1 數據是原始的28
2.1.2 數據是不可變的30
2.1.3 數據是永遠真實的33
2.2 基于事實的數據表示模型34
2.2.1 事實的示例及屬性34
2.2.2 基于事實的模型的優勢36
2.3 圖模式39
2.3.1 圖模式的元素39
2.3.2 可實施模式的必要性40
2.4 SuperWebAnalytics.com的完整數據模型41
2.5 總結42
第3章 大數據的數據模型：示例44
3.1 為什么使用序列化框架44
3.2 Apache Thrift45
3.2.1 節點46
3.2.2 邊46
3.2.3 屬性47
3.2.4 把一切組合成數據對象47
3.2.5 模式演變48
3.3 序列化框架的局限性49
3.4 總結50
第4章 批處理層的數據存儲51
4.1 主數據集的存儲需求52
4.2 為批處理層選擇存儲方案53
4.2.1 使用鍵/值存儲主數據集53
4.2.2 分布式文件系統54
4.3 分布式文件系統是如何工作的54
4.4 使用分布式文件系統存儲主數據集56
4.5 垂直分區58
4.6 分布式文件系統的底層性質58
4.7 在分布式文件系統上存儲SuperWebAnalytics.com的主數據集60
4.8 總結61
第5章 批處理層的數據存儲：示例62
5.1 使用HDFS62
5.1.1 小文件問題64
5.1.2 轉向更高層次的抽象64
5.2 使用Pail在批處理層存儲數據65
5.2.1 Pail基本操作66
5.2.2 序列化對象到Pail中67
5.2.3 使用Pail進行批處理操作69
5.2.4 使用Pail進行垂直分區69
5.2.5 Pail文件格式與壓縮71
5.2.6 Pail優點的總結71
5.3 存儲SuperWebAnalytics.com的主數據集72
5.3.1 Thrift對象的結構化Pail73
5.3.2 SuperWebAnalytics.com的基礎Pail74
5.3.3 用于垂直分區數據集的分片Pail75
5.4 總結78
第6章 批處理層79
6.1 啟發性示例80
6.1.1 給定時間范圍內的頁面瀏覽量80
6.1.2 性別推理80
6.1.3 影響力分數81
6.2 批處理層上的計算82
6.3 重新計算算法與增量算法84
6.3.1 性能85
6.3.2 容忍人為錯誤86
6.3.3 算法的通用性86
6.3.4 選擇算法的風格87
6.4 批處理層中的可擴展性87
6.5 MapReduce：一種大數據計算的范式88
6.5.1 可擴展性89
6.5.2 容錯性91
6.5.3 MapReduce的通用性92
6.6 MapReduce的底層特性94
6.6.1 多步計算很怪異94
6.6.2 手動實現連接非常復雜94
6.6.3 邏輯和物理執行緊密耦合96
6.7 管道圖—一種關于批處理計算的高級思維方式97
6.7.1 管道圖的概念97
6.7.2 通過MapReduce執行管道圖101
6.7.3 合并聚合器101
6.7.4 管道圖示例102
6.8 總結103
第7章 批處理層：示例104
7.1 一個例證105
7.2 數據處理工具的常見陷阱106
7.2.1 自定義語言107
7.2.2 不良的可組合抽象107
7.3 JCascalog介紹108
7.3.1 JCascalog的數據模型109
7.3.2 JCascalog查詢的結構110
7.3.3 查詢多個數據集111
7.3.4 分組和聚合器113
7.3.5 對一個查詢示例進行單步調試114
7.3.6 自定義謂詞操作117
7.4 組合121
7.4.1 合并子查詢122
7.4.2 動態創建子查詢123
7.4.3 謂詞宏125
7.4.4 動態創建謂詞宏128
7.5 總結130
第8章 批處理層示例：架構和算法131
8.1 SuperWebAnalytics.com批處理層的設計132
8.1.1 所支持的查詢132
8.1.2 批處理視圖132
8.2 工作流概述135
8.3 獲取新數據137
8.4 URL規范化137
8.5 用戶標識符規范化138
8.6 頁面瀏覽去重142
8.7 計算批處理視圖142
8.7.1 給定時間范圍內的頁面瀏覽量143
8.7.2 給定時間范圍內的獨立訪客143
8.7.3 跳出率分析144
8.8 總結145
第9章 批處理層示例：實現147
9.1 出發點147
9.2 準備工作流148
9.3 獲取新數據149
9.4 URL規范化152
9.5 用戶標識符規范化153
9.6 頁面瀏覽去重159
9.7 計算批處理視圖159
9.7.1 給定時間范圍內的頁面瀏覽量159
9.7.2 給定時間范圍內的獨立訪客161
9.7.3 跳出率分析163
9.8 總結165
第二部分 服務層
第10章 服務層概述168
10.1 服務層的性能指標169
10.2 規范化/非規范化問題的服務層解決方案172
10.3 服務層數據庫的需求173
10.4 設計SuperWebAnalytics.com的服務層174
10.4.1 給定時間范圍內的頁面瀏覽量175
10.4.2 給定時間范圍內的獨立訪客175
10.4.3 跳出率分析176
10.5 對比全增量的解決方案177
10.5.1 給定時間范圍內的獨立訪客的全增量方案177
10.5.2 與Lambda架構解決方案的比較182
10.6 總結183
第11章 服務層：示例184
11.1 ElephantDB的基本概念184
11.1.1 ElephantDB中的視圖創建185
11.1.2 ElephantDB中的視圖服務185
11.1.3 使用ElephantDB186
11.2 創建SuperWebAnalytics.com的服務層188
11.2.1 給定時間范圍內的頁面瀏覽量188
11.2.2 給定時間范圍內的獨立訪客數量191
11.2.3 跳出率分析191
11.3 總結192
第三部分 速度層
第12章 實時視圖194
12.1 計算實時視圖195
12.2 存儲實時視圖197
12.2.1 最終一致性198
12.2.2 速度層中存儲的狀態總量198
12.3 增量計算的挑戰199
12.3.1 CAP原理的有效性199
12.3.2 CAP原理和增量算法之間復雜的相互作用201
12.4 異步更新與同步更新202
12.5 過期實時視圖203
12.6 總結205
第13章 實時視圖：示例206
13.1 Cassandra的數據模型206
13.2 使用Cassandra208
13.3 總結210
第14章 隊列和流處理211
14.1 隊列211
14.1.1 單消費者隊列212
14.1.2 多消費者隊列214
14.2 流處理214
14.2.1 隊列和工作節點215
14.2.2 隊列和工作節點的缺陷216
14.3 更高層次的一次一個的流處理217
14.3.1 Storm模型217
14.3.2 保證消息處理221
14.4 SuperWebAnalytics.com速度層223
14.5 總結226
第15章 隊列和流處理：示例227
15.1 使用Apache Storm定義拓撲結構227
15.2 Apache Storm集群及其部署230
15.3 保證消息處理232
15.4 實現SuperWebAnalytics.com給定時間范圍內的獨立訪客的速度層233
15.5 總結237
第16章 微批量流處理239
16.1 實現有且僅有一次語義240
16.1.1 強有序處理240
16.1.2 微批量流處理241
16.1.3 微批量流處理的拓撲結構242
16.2 微批量流處理的核心概念244
16.3 微批量流處理的擴展管道圖245
16.4 完成SuperWebAnalytics.com的速度層246
16.4.1 給定時間范圍內的頁面瀏覽量246
16.4.2 跳出率分析247
16.5 另一個跳出率分析示例251
16.6 總結252
第17章 微批量流處理：示例253
17.1 使用Trident253
17.2 完成SuperWebAnalytics.com的速度層257
17.2.1 給定時間范圍內的頁面瀏覽量257
17.2.2 跳出率分析259
17.3 完全容錯、基于內存及微批量處理265
17.4 總結266
第18章 深入Lambda架構268
18.1 定義數據系統268
18.2 批處理層和服務層270
18.2.1 增量的批處理270
18.2.2 測量和優化批處理層的資源使用276
18.3 速度層280
18.4 查詢層281
18.5 總結282
查看全部↓
新書資訊