目录

第1部分 大数据时代指引 1

第1章 数据成功四原则 3

1.1 当数据成为一件“大”事 3

1.2 数据和单台服务器 4

1.3 大数据的权衡 5

1.3.1 构建可（无限）扩展的解决方案 6

1.3.2 构建可（在互联网上）共享数据的系统 7

1.3.3 构建解决方案，而非基础设施 8

1.3.4 关注从数据中解放价值 8

1.4 大数据流水线剖析 9

1.5 终极数据库 10

1.6 总结 10

第2部分 收集和共享海量数据 13

第2章 托管和共享TB 级原始数据 15

2.1 文件之殇 16

2.1.1 共享大量文件的挑战 16

2.2 存储：基础设施即服务 17

2.2.1 网络很慢 18

2.3 选择合适的数据格式 18

2.3.1 XML ：数据，描述你自己 20

2.3.2 JSON ：程序员的选择 21

2.4 字符编码 22

2.4.1 文件转换 24

2.5 移动中的数据：数据序列化格式 25

2.5.1 Apache Thrift 和Protocol Buffers 26

2.6 总结 27

第3章 构建基于NoSQL 的Web 应用采集众包数据 29

3.1 关系型数据库：命令及控制 30

3.1.1 关系数据库的ACID 测试 32

3.2 当关系型数据库遇上互联网 33

3.2.1 CAP 原理与BASE 34

3.3 非关系型数据库的模式 36

3.3.1 键- 值数据库 36

3.3.2 文档存储 38

3.4 为写入性能优化：Redis 40

3.5 在多个Redis 实例上分片 43

3.5.1 使用Twemproxy 自动分区 44

3.5.2 Redis 的替代选项 46

3.6 NewSQL ：Codd 归来 46

3.7 总结 47

第4章 解决数据孤岛问题的策略 49

4.1 堆满术语的仓库 49

4.1.1 实践中的问题 51

4.1.2 数据合规与安全规划 52

4.1.3 走进数据仓库 53

4.1.4 数据仓库的口诀：抽取、转换和加载 54

4.2 Hadoop ：数据仓库中的大象 55

4.3 数据孤岛也可能是个优点 55

4.3.1 专注于数据问题，而不是技术 56

4.3.2 鼓励员工提出他们自己的问题 57

4.3.3 投资沟通数据孤岛的技术 57

4.4 融合：数据孤岛的终结 58

4.4.1 Luhn 的商业智能系统是否能成为现实 59

4.5 总结 59

第3部分 数据探究 61

第5章 使用Hadoop、Hive 和Shark 探索大规模数据集 63

5.1 什么是数据仓库 64

5.2 Apache Hive ：在Hadoop 上进行交互式查询 66

5.2.1 Hive 用例 66

5.2.2 Hive 实战 67

5.2.3 在Hive 中使用其他数据源 71

5.3 Shark ：以内存的速度进行查询 72

5.4 云中的数据仓库 73

5.5 总结 74

第6章 使用Google BigQuery 构建数据信息中心 77

6.1 分析型数据库 78

6.2 Dremel ：均贫富 79

6.2.1 Dremel 与MapReduce 的不同之处 80

6.3 BigQuery ：数据分析即服务 81

6.3.1 BigQuery 的查询语言 82

6.4 建造自己的大数据信息面板 83

6.4.1 授权访问BigQuery API 84

6.4.2 运行查询并获取结果 87

6.4.3 缓存查询结果 88

6.4.4 添加可视化图形 89

6.5 分析型查询引擎的未来 91

6.6 总结 91

第7章 探索大数据的可视化策略 93

7.1 警世良言：将数据翻译成故事 94

7.2 人类尺度 VS 机器尺度 97

7.2.1 交互性 97

7.3 开发交互式数据应用 98

7.3.1 使用R 和ggplot2 实现交互式可视化 98

7.3.2 matplotlib: Python 的2D 图形库 100

7.3.3 D3.js ：用于Web 的交互式可视化库 100

7.4 总结 104

第4部分 构建数据流水线 107

第8章 整合：MapReduce 数据流水线 109

8.1 数据流水线是什么 109

8.1.1 正确的工具 110

8.2 使用Hadoop Streaming 搭建数据流水线 111

8.2.1 MapReduce 和数据转换 111

8.2.2 最简单的流水线：stdin 到stdout 113

8.3 单步MapReduce 变换 115

8.3.1 从原始NVSS 数据中抽取相关信息：map 阶段 116

8.3.2 合计每月出生数：reducer 阶段 117

8.3.3 在本地测试MapReduce 流水线 118

8.3.4 在Hadoop 集群上运行我们的MapReduce 作业 119

8.4 降低复杂性：Hadoop 上Python 的MapReduce 框架 120

8.4.1 使用mrjob 重写Hadoop Streaming 示例 121

8.4.2 建造一个多步流水线 122

8.4.3 在Elastic MapReduce 上运行mrjob 脚本 124

8.4.4 其他基于Python 的MapReduce 框架 125

8.5 总结 125

第9章 使用Pig 和Cascading 构建数据转换工作流 127

9.1 大规模数据工作流实战 128

9.2 多步MapReduce 转换真复杂 128

9.2.1 Apache Pig ：拒绝复杂 129

9.2.2 使用交互式Grunt shell 运行Pig 130

9.2.3 过滤和优化数据工作流 132

9.2.4 以批处理模式运行Pig 脚本 132

9.3 Cascading ：构建健壮的数据工作流应用 133

9.3.1 以source 和sink 的方式思考 134

9.3.2 构建Cascading 应用 135

9.3.3 创建一个Cascade ：一个简单的JOIN 例子 136

9.3.4 在Hadoop 集群上部署Cascading 应用 138

9.4 何时选择Pig 或Cascading 139

9.5 总结 140

第5部分 基于大规模数据集的机器学习 141

第10章 使用Mahout 构建数据分类系统 143

10.1 机器能否预测未来 144

10.2 机器学习的挑战 144

10.2.1 贝叶斯分类 146

10.2.2 聚类 146

10.2.3 推荐引擎 148

10.3 Apache Mahout ：可伸缩的机器学习工具 148

10.3.1 使用Mahout 进行文本分类 149

10.4 MLbase ：分布式机器学习框架 152

10.5 总结 152

第6部分 基于大规模数据集的统计分析 155

第11章 使用R 语言处理大数据集 157

11.1 统计学为什么性感 158

11.1.1 R 处理大型数据集的局限性 159

11.1.2 R 的数据帧和矩阵 161

11.2 处理大数据集的策略 162

11.2.1 大矩阵处理：bigmemory 和biganalytics 162

11.2.2 ff: 使用大于内存的数据帧 164

11.2.3 biglm ：大规模数据集的线性回归 165

11.2.4 RHadoop: 使用R 访问Apache Hadoop 166

11.3 总结 168

第12章 使用Python 和Pandas 构建分析工作流 171

12.1 数据乐园中自在的蟒蛇——Python 172

12.1.1 为统计性计算选择一门语言 172

12.1.2 扩展现有代码 173

12.1.3 工具和测试 174

12.2 用于数据处理的Python 库 174

12.2.1 NumPy 175

12.2.2 SciPy ：Python 的科学计算库 176

12.2.3 数据分析库Pandas 178

12.3 构建更复杂的工作流 182

12.3.1 处理损坏或丢失的记录 184

12.4 iPython ：科学计算工具链的最后一环 185

12.4.1 在集群上并行执行iPython 186

12.5 总结 190

第7部分 展望未来 191

第13章 何时选择自制、购买或外包 193

13.1 功能重合的解决方案 193

13.2 理解你的数据问题 195

13.3 自制还是购买问题的参考手册 197

13.3.1 你已经对哪些技术有所投入 197

13.3.2 从小处着手 198

13.3.3 规划时考虑可扩展性 198

13.4 私人数据中心 199

13.5 了解开源的成本 201

13.6 一切皆服务 202

13.7 总结 202

第14章 未来：数据科技的几个趋势 205

14.1 Hadoop ：搅局者与被搅局者 206

14.2 一切皆在云中 208

14.3 数据科学家的兴衰 209

14.4 融合：终极数据库 212

14.5 文化融合 213

14.6 总结 214

Michael Manoochehri 是个企业家、作家和乐观主义者。凭借自己与企业、研究机构和非营利性机构多年的合作经验，他力图让可扩展数据分析变得更加廉价和易获取。Michael 是Google 云平台开发者关系组的成员之一，关注云计算和数据开发者产品。

这是一个数据爆发的时代，更是一个数据技术爆发的时代，各行各业都在因此进行深刻的变革。如何从众多的数据技术中选择正确的工具、如何使用这些工具从海量数据中挖掘出有价值的东西，无疑是非常具有挑战性的问题。

本书作者结合自己在Google 大数据平台工作的丰富经验，阐述了数据技术的方方面面。从数据收集、共享到数据存储，从分布式数据平台、分析型数据库到数据可视化，从数据工作流构建到大规模数据分析，作者不仅进行了全面而深入的介绍，更覆盖了目前流行的各种数据技术与工具，同时对技术选型提出了指导性的建议。最后，作者对数据挑战的非技术因素进行了深刻的分析，并对数据技术的发展趋势进行了展望，引人深思。

这是一个数据爆发的时代，更是一个数据技术爆发的时代，各行各业都在因此进行深刻的变革。如何从众多的数据技术中选择正确的工具、如何使用这些工具从海量数据中挖掘出有价值的东西，无疑是非常具有挑战性的问题。

《寻路大数据：海量数据与大规模分析》作者结合自己在Google 大数据平台工作的丰富经验，阐述了数据技术的方方面面。从数据收集、共享到数据存储，从分布式数据平台、分析型数据库到数据可视化，从数据工作流构建到大规模数据分析，作者不仅进行了全面而深入的介绍，更覆盖了目前流行的各种数据技术与工具，同时对技术选型提出了指导性的建议。最后，作者对数据挑战的非技术因素进行了深刻的分析，并对数据技术的发展趋势进行了展望，引人深思。

《寻路大数据：海量数据与大规模分析》对企业管理者、技术经理、数据分析师、数据应用开发人员和相关从业者都有很好的参考价值。决策者可以从中看到技术趋势，把握时代发展脉搏；数据分析人员可以看到经验的总结和工具的应用；其他从业者可以从中了解数据技术所涉及的各个方面。

第1 部分 大数据时代指引 1

第1 章 数据成功四原则 3

1．1 当数据成为一件“大”事 3

1．2 数据和单台服务器 4

1．3 大数据的权衡 5

1．3．1 构建可（限）扩展的解决方案 6

1．3．2 构建可（在互联网上）共享数据的系统 7

1．3．3 构建解决方案，而非基础设施 8

1．3．4 关注从数据中解放价值 8

1．4 大数据流水线剖析 9

1．5 终极数据库 10

1．6 总结 10

第2 部分 收集和共享海量数据 13

第2 章 托管和共享TB 级原始数据 15

2．1 文件之殇 16

2．1．1 共享大量文件的挑战 16

2．2 存储：基础设施即服务 17

2．2．1 网络很慢 18

2．3 选择合适的数据格式 18

2．3．1 XML ：数据，描述你自己 20

2．3．2 JSON ：程序员的选择 21

2．4 字符编码 22

2．4．1 文件转换 24

XXII 目录

2．5 移动中的数据：数据序列化格式 25

2．5．1 Apache Thrift 和Protocol Buffers 26

2．6 总结 27

第3 章 构建基于NoSQL 的Web 应用采集众包数据 29

3．1 关系型数据库：命令及控制 30

3．1．1 关系数据库的ACID 测试 32

3．2 当关系型数据库遇上互联网 33

3．2．1 CAP 原理与BASE 34

3．3 非关系型数据库的模式 36

3．3．1 键- 值数据库 36

3．3．2 文档存储 38

3．4 为写入性能优化：Redis 40

3．5 在多个Redis 实例上分片 43

3．5．1 使用Twemproxy 自动分区 44

3．5．2 Redis 的替代选项 46

3．6 NewSQL ：Codd 归来 46

3．7 总结 47

第4 章 解决数据孤岛问题的策略 49

4．1 堆满术语的仓库 49

4．1．1 实践中的问题 51

4．1．2 数据合规与安全规划 52

4．1．3 走进数据仓库 53

4．1．4 数据仓库的口诀：抽取、转换和加载 54

4．2 Hadoop ：数据仓库中的大象 55

4．3 数据孤岛也可能是个优点 55

4．3．1 专注于数据问题，而不是技术 56

4．3．2 鼓励员工提出他们自己的问题 57

4．3．3 投资沟通数据孤岛的技术 57

4．4 融合：数据孤岛的终结 58

目录XXIII

4．4．1 Luhn 的商业智能系统是否能成为现实 59

4．5 总结 59

第3 部分 数据探究 61

第5 章 使用Hadoop、Hive 和Shark 探索大规模数据集 63

5．1 什么是数据仓库 64

5．2 Apache Hive ：在Hadoop 上进行交互式查询 66

5．2．1 Hive 用例 66

5．2．2 Hive 实战 67

5．2．3 在Hive 中使用其他数据源 71

5．3 Shark ：以内存的速度进行查询 72

5．4 云中的数据仓库 73

5．5 总结 74

第6 章 使用Google BigQuery 构建数据信息中心 77

6．1 分析型数据库 78

6．2 Dremel ：均贫富 79

6．2．1 Dremel 与MapReduce 的不同之处 80

6．3 BigQuery ：数据分析即服务 81

6．3．1 BigQuery 的查询语言 82

6．4 建造自己的大数据信息面板 83

6．4．1 授权访问BigQuery API 84

6．4．2 运行查询并获取结果 87

6．4．3 缓存查询结果 88

6．4．4 添加可视化图形 89

6．5 分析型查询引擎的未来 91

6．6 总结 91

第7 章 探索大数据的可视化策略 93

7．1 警世良言：将数据翻译成故事 94

7．2 人类尺度 VS 机器尺度 97

XXIV 目录

7．2．1 交互性 97

7．3 开发交互式数据应用 98

7．3．1 使用R 和ggplot2 实现交互式可视化 98

7．3．2 matplotlib： Python 的2D 图形库 100

7．3．3 D3．js ：用于Web 的交互式可视化库 100

7．4 总结 104

第4 部分 构建数据流水线 107

第8 章 整合：MapReduce 数据流水线 109

8．1 数据流水线是什么 109

8．1．1 正确的工具 110

8．2 使用Hadoop Streaming 搭建数据流水线 111

8．2．1 MapReduce 和数据转换 111

8．2．2 最简单的流水线：stdin 到stdout 113

8．3 单步MapReduce 变换 115

8．3．1 从原始NVSS 数据中抽取相关信息：map 阶段 116

8．3．2 合计每月出生数：reducer 阶段 117

8．3．3 在本地测试MapReduce 流水线 118

8．3．4 在Hadoop 集群上运行我们的MapReduce 作业 119

8．4 降低复杂性：Hadoop 上Python 的MapReduce 框架 120

8．4．1 使用mrjob 重写Hadoop Streaming 示例 121

8．4．2 建造一个多步流水线 122

8．4．3 在Elastic MapReduce 上运行mrjob 脚本 124

8．4．4 其他基于Python 的MapReduce 框架 125

8．5 总结 125

第9 章 使用Pig 和Cascading 构建数据转换工作流 127

9．1 大规模数据工作流实战 128

9．2 多步MapReduce 转换真复杂 128

9．2．1 Apache Pig ：拒绝复杂 129

目录XXV

9．2．2 使用交互式Grunt shell 运行Pig 130

9．2．3 过滤和优化数据工作流 132

9．2．4 以批处理模式运行Pig 脚本 132

9．3 Cascading ：构建健壮的数据工作流应用 133

9．3．1 以source 和sink 的方式思考 134

9．3．2 构建Cascading 应用 135

9．3．3 创建一个Cascade ：一个简单的JOIN 例子 136

9．3．4 在Hadoop 集群上部署Cascading 应用 138

9．4 何时选择Pig 或Cascading 139

9．5 总结 140

第5 部分 基于大规模数据集的机器学习 141

第10 章 使用Mahout 构建数据分类系统 143

10．1 机器能否预测未来 144

10．2 机器学习的挑战 144

10．2．1 贝叶斯分类 146

10．2．2 聚类 146

10．2．3 推荐引擎 148

10．3 Apache Mahout ：可伸缩的机器学习工具 148

10．3．1 使用Mahout 进行文本分类 149

10．4 MLbase ：分布式机器学习框架 152

10．5 总结 152

第6 部分 基于大规模数据集的统计分析 155

第11 章 使用R 语言处理大数据集 157

11．1 统计学为什么性感 158

11．1．1 R 处理大型数据集的局限性 159

11．1．2 R 的数据帧和矩阵 161

XXVI 目录

11．2 处理大数据集的策略 162

11．2．1 大矩阵处理：bigmemory 和biganalytics 162

11．2．2 ff： 使用大于内存的数据帧 164

11．2．3 biglm ：大规模数据集的线性回归 165

11．2．4 RHadoop： 使用R 访问Apache Hadoop 166

11．3 总结 168

第12 章 使用Python 和Pandas 构建分析工作流 171

12．1 数据乐园中自在的蟒蛇――Python 172

12．1．1 为统计性计算选择一门语言 172

12．1．2 扩展现有代码 173

12．1．3 工具和测试 174

12．2 用于数据处理的Python 库 174

12．2．1 NumPy 175

12．2．2 SciPy ：Python 的科学计算库 176

12．2．3 数据分析库Pandas 178

12．3 构建更复杂的工作流 182

12．3．1 处理损坏或丢失的记录 184

12．4 iPython ：科学计算工具链的最后一环 185

12．4．1 在集群上并行执行iPython 186

12．5 总结 190

第7 部分 展望未来 191

第13 章 何时选择自制、购买或外包 193

13．1 功能重合的解决方案 193

13．2 理解你的数据问题 195

13．3 自制还是购买问题的参考手册 197

13．3．1 你已经对哪些技术有所投入 197

13．3．2 从小处着手 198

13．3．3 规划时考虑可扩展性 198

目录XXVII

13．4 私人数据中心 199

13．5 了解开源的成本 201

13．6 一切皆服务 202

13．7 总结 202

第14 章 未来：数据科技的几个趋势 205

14．1 Hadoop ：搅局者与被搅局者 206

14．2 一切皆在云中 208

14．3 数据科学家的兴衰 209

14．4 融合：终极数据库 212

14．5 文化融合 213

14．6 总结 214

Michael Manoochehri，是个企业家、作家和乐观主义者。凭借自己与企业、研究机构和非营利性机构多年的合作经验，他力图让可扩展数据分析变得更加廉价和易获取。Michael 是Google 云平台开发者关系组的成员之一，关注云计算和数据开发者产品，例如Google BigQuery。此外，Michael 是技术博客ProgrammableWeb.com的作者之一，曾在乌干达农村地区研究移动电话的使用，拥有UC Berkeley 信息学院的信息管理与系统文学硕士学位。

陈冠诚，并行实验室创建者。在导师Prof. Per Stenström指导下完成硕士毕业设计“关于并行程序中锁竞争的性能分析”。2011年加入IBM中国研究院系统组，从事云计算系统架构、海量数据处理等相关研究工作。