大数据猩球：海量数据处理实践指南

　　本书以实用的、可操作的视角解释了大数据——采用黑猩猩和大象的隐喻，基于棒球统计数据集，使用Apache Hadoop和Pig等工具展示了如何处理大规模数据。此外，通过处理真实数据、解决现实问题，作者还以实例的形式总结了一些实践分析模式，为有创造力的分析人员提供了最强大、最有价值的方法。本书特别适合那些需要大数据工具箱来解决实际问题的人们。

　　唐李洋，女，博士，中国电子科技集团公司第三十八研究所，工程师，目前从事公共安全等领域相关的大数据分析与数据挖掘工作。译有《高可用MySQL》（第1和第2版）、《R语言高性能编程》等书。 Philip Kromer是云大数据平台领先者Infochimps的创始人和CTO，以及Vigilante的联合创始人。他的其中一个项目WuKong，是Hadoop Ruby流处理最常使用的框架之一。Russell Jurney是全球经济市场地图创业公司Relato的创始人和CEO。他曾任LinkedIn产品分析数据科学家，还是一个Hadoop传道士。

前言 ..................................................................................................XI 第一部分　入门 ：理论和工具 第 1 章　Hadoop 基础 ........................................................................3 黑猩猩和大象创业 .................................................................................................................4 Map-Only 作业 ：逐个处理记录 ...........................................................................................5 Pig Latin Map-Only 作业........................................................................................................6 创建 Docker Hadoop 集群 ......................................................................................................8 运行作业 .......................................................................................................................12 小结 .......................................................................................................................................15 第 2 章　MapReduce........................................................................17 黑猩猩和大象拯救圣诞节 ...................................................................................................17 玩具岛上的麻烦 ...........................................................................................................17 黑猩猩把信件变成带标签的玩具表 ...........................................................................19 小象将玩具表送到适当的工作台 .......................................................................................21 示例 ：驯鹿游戏 ...................................................................................................................23 UFO 数据 ......................................................................................................................24 根据报道延迟对 UFO 目击分组 .................................................................................24 Mapper ..........................................................................................................................24 Reducer .........................................................................................................................26 数据可视化 ...................................................................................................................29 驯鹿小结 .......................................................................................................................30 Hadoop 与传统数据库 .........................................................................................................30 MapReduce 俳句 ...................................................................................................................31 Map 阶段简述 ..............................................................................................................32 Group-Sort 阶段简述 ...................................................................................................32 Reduce 阶段简述 ..........................................................................................................32 小结 .......................................................................................................................................33 第 3 章　棒球数据集速览 ..................................................................35 数据 .......................................................................................................................................35 缩略词和术语 .......................................................................................................................36 规则和目标 ...........................................................................................................................37 评价指标 ...............................................................................................................................37 小结 .......................................................................................................................................38 第 4 章　Pig 入门 ..............................................................................39 Pig 帮助 Hadoop 处理数据表，而不是记录 ......................................................................39 维基百科访问数统计 ...................................................................................................41 基本数据操作 .......................................................................................................................43 控制操作 .......................................................................................................................44 管道操作 .......................................................................................................................44 结构化操作 ...................................................................................................................44 LOAD 定位并描述你的数据 ...............................................................................................46 简单类型 .......................................................................................................................46 复杂类型 1，元组 ：带类型字段的固长序列 ............................................................47 复杂类型 2，袋 ：元组的无限集合 ............................................................................47 定义变换后的记录模式 ...............................................................................................48 STORE 将数据写入磁盘 .....................................................................................................49 辅助命令 ...............................................................................................................................50 DESCRIBE ...................................................................................................................50 DUMP ...........................................................................................................................50 SAMPLE .......................................................................................................................50 ILLUSTRATE ...............................................................................................................51 EXPLAIN......................................................................................................................51 Pig 函数 .................................................................................................................................51 Piggybank ..............................................................................................................................53 Apache DataFu ......................................................................................................................56 小结 .......................................................................................................................................59 第二部分　战术 ：分析模式 第 5 章　Map-Only 操作 ...................................................................63 模式用法 .......................................................................................................................63 清除数据 ...............................................................................................................................64 选择满足条件的记录 ：FILTER 等 .....................................................................................65 选择满足多个条件的记录 ...........................................................................................66 选择或丢弃空值记录 ...................................................................................................66 选择匹配正则表达式的记录（MATCHES） ..............................................................67 根据固定的值列表匹配记录 .......................................................................................70 按字段名投影字段 ...............................................................................................................71 使用 FOREACH 选择、重命名和重排序字段 ..........................................................71 抽取记录的随机样本 ...................................................................................................73 按 key 抽取一致性样本 ...............................................................................................74 仅加载部分 part-Files 实现粗略抽样 .........................................................................75 使用 LIMIT 选择固定数量的记录..............................................................................75 其他数据消除模式 .......................................................................................................76 变换记录 ...............................................................................................................................76 使用 FOREACH 逐个变换记录 ..................................................................................76 嵌套 FOREACH 允许使用中间表达式 ......................................................................77 根据模版格式化字符串 ...............................................................................................79 使用复杂类型组装字面值 ...........................................................................................80 操纵字段的类型 ...........................................................................................................84 整型、浮点型和取整 ...................................................................................................86 从外部包调用用户自定义函数 ...................................................................................87 将一个表分裂成多个表的操作 ...........................................................................................88 将数据条件定向到多个数据流 (SPLIT) ....................................................................88 将几个表联合成一个表的操作 ...........................................................................................89 将多个 Pig 关系表合并成一个表（堆砌行集） .........................................................89 小结 .......................................................................................................................................91 第 6 章　分组操作 .............................................................................93 按 key 将记录分组到袋 .......................................................................................................93 模式用法 .......................................................................................................................97 统计 key 的出现次数 ...................................................................................................97 使用带分隔符的字符串表示值的集合 .......................................................................99 使用带分隔符的字符串表示复杂数据结构 .............................................................101 使用 JSON 编码的字符串表示复杂数据结构 .........................................................102 分组和聚合 .........................................................................................................................106 聚合组的统计数据 .....................................................................................................106 完全汇总字段 .............................................................................................................108 汇总整个表的聚合统计值 .........................................................................................110 汇总字符串字段 ......................................................................................................... 111 使用直方图计算数值型值的分布情况 .............................................................................113 模式用法 .....................................................................................................................114 直方图的数据分箱 .....................................................................................................114 确定箱子的大小 .........................................................................................................116 解释直方图和分位数 .................................................................................................118 将数据分箱到规模呈指数变化的块 .........................................................................119 为通用代码段创建 Pig 宏 .........................................................................................121 比赛分布情况 .............................................................................................................121 极端情况和干扰因子 .................................................................................................122 不要相信尾部分布 .....................................................................................................125 计算相对分布直方图 .................................................................................................126 重新注入全局值 .........................................................................................................127 在组内计算直方图 .....................................................................................................128 导出可读结果 .............................................................................................................130 汇总技巧 .............................................................................................................................132 统计组的条件子集——汇总技巧 .............................................................................132 同时汇总组的多个子集 .............................................................................................134 测试组内某个值是否缺失 .........................................................................................136 小结 .....................................................................................................................................137 参考文献 .............................................................................................................................138 第 7 章　表连接 ..............................................................................139 匹配表记录（内连接） ......................................................................................................140 将一个表的记录与另一个表的记录直接匹配连接（直接内连接） .......................140 连接是怎么工作的 .............................................................................................................142 连接就是 COGROUP+FLATTEN .............................................................................142 连接就是在表名上进行二次排序的 MapReduce 作业 ...........................................143 处理连接和分组中的空值和不匹配 .........................................................................145 枚举多对多关系 .................................................................................................................147 连接表和它自己（自连接） ...............................................................................................148 包含不匹配记录的连接（外连接） ...................................................................................150 模式用法 .....................................................................................................................152 连接不含外键关系的表 .............................................................................................153 连接整型表填补列表中的空白 .................................................................................155 仅选择与另一个表不匹配的记录（反连接） ...................................................................157 仅选择与另一个表匹配的记录（半连接） .......................................................................158 反连接的另一种方式 ：使用 COGROUP .................................................................158 小结 .....................................................................................................................................160 第 8 章　排序操作 ...........................................................................161 准备职业生涯时期 .............................................................................................................161 对所有记录进行全排序 .....................................................................................................163 多字段排序 .................................................................................................................164 表达式排序（行不通） ...............................................................................................164 大小写不敏感的字符串排序 .....................................................................................165 排序的空值处理 .........................................................................................................165 将值放到排序顺序的顶部或底端 .............................................................................166 组内排序 .............................................................................................................................167 模式用法 .....................................................................................................................169 根据字段值的 Top-K 选择行 ....................................................................................169 组内 Top-K .................................................................................................................170 按照排序顺序给记录编号 .................................................................................................170 找出最大值对应的记录 .............................................................................................171 对一组记录进行混排 .................................................................................................171 小结 .....................................................................................................................................172 第 9 章　重复记录和唯一记录 .........................................................173 处理重复 .............................................................................................................................173 消除表中的重复记录 .................................................................................................174 消除组内的重复记录 .................................................................................................174 基于键消除重复 .........................................................................................................175 基于键选择唯一（或重复）记录 .............................................................................176 集合操作 .............................................................................................................................177 全表上的集合操作 .....................................................................................................178 Distinct Union .............................................................................................................179 Distinct Union（其他方法） .......................................................................................179 Set Intersection ............................................................................................................179 Set Difference .............................................................................................................180 Symmetric Difference ：(A-B)+(B-A) ........................................................................180 Set Equality .................................................................................................................181 组内集合操作 .............................................................................................................182 构造一个集合序列 .....................................................................................................182 某个组内的集合操作 .................................................................................................183 小结 .....................................................................................................................................185 索引 ................................................................................................187