实时数据处理和分析指南

　　《实时数据处理和分析指南》主要介绍实时大数据计算领域的相关技巧和经验，包括Flink、Spark和Storm等流处理框架技术。全书从搭建开发环境开始，逐步实现流处理，循序渐进地引导读者学习如何利用Rabbit MQ、Kafka和NiFi以及Storm、Spark、Flink和Beam等组件协同应用来解决实际问题。本书内容分为6个部分，分别是“导言——熟悉实时分析”“搭建基础设施”“Storm实时计算”“使用Spark实现实时计算”“使用Flink实现实时分析”以及“综合应用”。在阅读本书之前，读者应具备基本的Java和Scala编程基础，还应熟悉Maven、Java和Eclipse的安装和配置流程。

　　希尔皮·萨克塞纳（Shilpi Saxena）是IT领域的一位技术布道者。她曾涉足多个领域（机器对机器空间、医疗保健、电信、人才招聘和制造业）。在企业解决方案的构思和执行的所有方面，以及在软件行业的产品和服务方面有超过12年的经验。她一直在大数据领域从事设计、管理和提供解决方案，并领导着一支高水平和分布在各地的精英工程师团队。沙鲁巴·古普塔（Saurabh Gupta）是一名软件工程师，有数十年的IT行业从业经验，目前从事处理和设计在生产中运行的实时和批处理项目的相关工作，主要包括Impala、Storm、NiFi、Kafka等技术以及在AWS上部署Docker，他还参与了各种物联网项目，涉及电信、医疗保健、智能城市、智能汽车等领域。

第 一部分 导言—熟悉实时分析
第 1章 实时分析简介　2
1．1　大数据的定义　2
1．2　大数据的基础设施　3
1．3　实时分析—神话与现实　6
1．4　近实时解决方案—可用的架构　9
1．4．1　NRT的Storm解决方案　9
1．4．2　NRT的Spark解决方案　10
1．5　Lambda架构—分析可能性　11
1．6　物联网—想法与可能性　13
1．7　云—考虑NRT和物联网　17
1．8　小结　18
第 2章 实时应用的基本组件　19
2．1　NRT系统及其构建模块　19
2．1．1　数据采集　21
2．1．2　流处理　22
2．1．3　分析层—服务终端用户　23
2．2　NRT的高级系统视图　25
2．3　NRT的技术视图　26
2．3．1　事件生产者　27
2．3．2　数据收集　27
2．3．3　代理　29
2．3．4　转换和处理　31
2．3．5　存储　32
2．4　小结　32
第二部分　搭建基础设施
第3章　了解和跟踪数据流　34
3．1　了解数据流　34
3．2　为数据提取安装基础设施　35
3．2．1　Apache Kafka　35
3．2．2　Apache NiFi　36
3．2．3　Logstash　41
3．2．4　Fluentd　43
3．2．5　Flume　46
3．3　将数据从源填到处理器—期望和注意事项　48
3．4　比较与选择适合用例的最佳实践　49
3．5　小试牛刀　49
3．6　小结　51
第4章　安装和配置Storm　52
4．1　Storm概述　52
4．2　Storm架构和组件　53
4．2．1　特征　54
4．2．2　组件　54
4．2．3　流分组　56
4．3　安装和配置Storm　57
4．3．1　安装Zookeeper　57
4．3．2　配置Apache Storm　59
4．4　在Storm上实时处理任务　61
4．5　小结　67
第5章　配置Apache Spark和Flink　68
5．1　安装并快速运行Spark　68
5．1．1　源码构建　69
5．1．2　下载Spark安装包　69
5．1．3　运行示例　70
5．2　安装并快速运行Flink　73
5．2．1　使用源码构建Flink　73
5．2．2　下载Flink　74
5．2．3　运行示例　75
5．3　安装并快速运行Apache Beam　79
5．3．1　Beam模型　79
5．3．2　运行示例　80
5．3．3　MinimalWordCount示例　82
5．4　Apache Beam中的平衡　85
5．5　小结　88
第三部分　Storm实时计算
第6章　集成Storm与数据源　90
6．1　RabbitMQ有效的消息传递　90
6．2　RabbitMQ交换器　91
6．2．1　直接交换器　91
6．2．2　RabbitMQ安装配置　93
6．2．3　RabbitMQ的发布和订阅　95
6．3　RabbitMQ与Storm集成　99
6．4　PubNub数据流发布者　107
6．5　将Storm和RMQ_PubNub传感器数据拓扑串在一起　111
6．6　小结　114
第7章　从Storm到Sink　115
7．1　安装并配置Cassandra　115
7．1．1　安装Cassandra　116
7．1．2　配置Cassandra　117
7．2　Storm和Cassandra拓扑　118
7．3　Storm和IMDB集成处理维度数据　120
7．4　集成表示层与Storm　122
7．5　小试牛刀　134
7．6　小结　143
第8章　Storm Trident　144
8．1　状态保持和Trident　144
8．1．1　事务性spout　145
8．1．2　不透明事务性spout　145
8．2　基本Storm Trident拓扑　146
8．3　Trident内部实现　148
8．4　Trident操作　149
8．4．1　函数　149
8．4．2　Map函数and FlatMap函数　150
8．4．3　peek函数　151
8．4．4　过滤器　151
8．4．5　窗口操作　152
8．4．6　聚合操作　155
8．4．7　分组操作　158
8．4．8　合并和组合操作　159
8．5　DRPC　160
8．6　小试牛刀　161
8．7　小结　164
第四部分　使用Spark实现实时计算
第9章　运用Spark引擎　166
9．1　Spark概述　166
9．2　Spark的独特优势　169
9．3　Spark用例　172
9．4　Spark架构—引擎内部的运行模式　174
9．5　Spark的语用概念　176
9．6　Spark 2．x—数据框和数据集的出现　178
9．7　小结　179
第　10章 运用Spark操作　180
10．1　Spark—封装和API　180
10．2　RDD语用探索　182
10．2．1　转换　185
10．2．2　动作　190
10．3　共享变量—广播变量和累加器　192
10．3．1　广播变量　192
10．3．2　累加器　195
10．4　小结　196
第　11章 Spark Streaming　197
11．1　Spark Streaming的概念　197
11．2　Spark Streaming的简介和体系结构　198
11．3　Spark Streaming的封装结构　203
11．3．1　Spark Streaming API　203
11．3．2　Spark Streaming操作　204
11．4　连接Kafka和Spark Streaming　206
11．5　小结　208
第五部分　使用Flink实现实时分析
第　12章 运用Apache Flink　210
12．1　Flink体系结构和执行引擎　210
12．2　Flink的基本组件和进程　213
12．3　将源流集成到Flink　215
12．3．1　和Apache Kafka集成　215
12．3．2　和RabbitMQ集成　218
12．4　Flink处理和计算　221
12．4．1　Datastream API　221
12．4．2　DataSet API　223
12．5　Flink持久化　224
12．6　FlinkCEP　226
12．7　Pattern API　227
12．7．1　检测模式　227
12．7．2　模式选择　228
12．7．3　示例　228
12．8　Gelly　229
12．9　小试牛刀　231
12．10　小结　242
第六部分　综合应用
第　13章 用例研究　244
13．1　概述　244
13．2　数据建模　245
13．3　工具和框架　246
13．4　建立基础设施　247
13．5　实现用例　252
13．5．1　构建数据模拟器　252
13．5．2　Hazelcast加载器　259
13．5．3　构建Storm拓扑　261
13．6　运行用例　272
13．7　小结　279